Yolov3网络架构分析
Yolov3網(wǎng)絡(luò)架構(gòu)分析
上圖三個藍色方框內(nèi)表示Yolov3的三個基本組件：
? CBL：Yolov3網(wǎng)絡(luò)結(jié)構(gòu)中的最小組件，由Conv+Bn+Leaky_relu激活函數(shù)三者組成。
? Res unit：借鑒Resnet網(wǎng)絡(luò)中的殘差結(jié)構(gòu)，讓網(wǎng)絡(luò)可以構(gòu)建的更深。
? ResX：由一個CBL和X個殘差組件構(gòu)成，是Yolov3中的大組件。每個Res模塊前面的CBL都起到下采樣的作用，因此經(jīng)過5次Res模塊后，得到的特征圖是608->304->152->76->38->19大小。
其他基礎(chǔ)操作：
? Concat：張量拼接，會擴充兩個張量的維度，例如2626256和2626512兩個張量拼接，結(jié)果是2626768。Concat和cfg文件中的route功能一樣。
? add：張量相加，張量直接相加，不會擴充維度，例如104104128和104104128相加，結(jié)果還是104104128。add和cfg文件中的shortcut功能一樣。
Backbone中卷積層的數(shù)量：
每個ResX中包含1+2X個卷積層，因此整個主干網(wǎng)絡(luò)Backbone中一共包含1+（1+21）+（1+22）+（1+28）+（1+28）+（1+24）=52，再加上一個FC全連接層，即可以組成一個Darknet53分類網(wǎng)絡(luò)。不過在目標檢測Yolov3中，去掉FC層，不過為了方便稱呼，仍然把Yolov3的主干網(wǎng)絡(luò)叫做Darknet53結(jié)構(gòu)。
? backbone：Darknet-53
在第1個卷積操作DarknetConv2D_BN_Leaky()中，是3個操作的組合，即
? 1個Darknet的2維卷積Conv2D層，即DarknetConv2D()；
? 1個正則化（BN）層，即BatchNormalization()；
? 1個LeakyReLU層，斜率是0.1，LeakyReLU是ReLU的變換；
backbone部分由Yolov2時期的Darknet-19進化至Darknet-53，加深了網(wǎng)絡(luò)層數(shù)，引入了Resnet中的跨層加和操作。原文列舉了Darknet-53與其他網(wǎng)絡(luò)的對比：
圖三. Darknet精度性能對比
Darknet-53處理速度每秒78張圖，比Darknet-19慢不少，但是比同精度的ResNet快很多。Yolov3依然保持了高性能。
（這里解釋一下Top1和Top5：模型在ImageNet數(shù)據(jù)集上進行推理，按照置信度排序總共生成5個標簽。按照第一個標簽預(yù)測計算正確率，即為Top1正確率；前五個標簽中只要有一個是正確的標簽，則視為正確預(yù)測，稱為Top5正確率）
? Yolov3網(wǎng)絡(luò)結(jié)構(gòu)細節(jié)
DBL: 上圖左下角所示，也就是代碼中的Darknetconv2d_BN_Leaky，是yolo_v3的基本組件。就是卷積+BN+Leaky relu。對于v3來說，BN和leaky relu（正則化和激勵）已經(jīng)是和卷積層不可分離的部分了(最后一層卷積除外)，共同構(gòu)成了最小組件。
resn：n代表數(shù)字，有res1，res2, … ,res8等等，表示這個res_block里含有多少個res_unit。這是yolo_v3的大組件，yolo_v3開始借鑒了ResNet的殘差結(jié)構(gòu)，使用這種結(jié)構(gòu)可以讓網(wǎng)絡(luò)結(jié)構(gòu)更深(從v2的darknet-19上升到v3的darknet-53，前者沒有殘差結(jié)構(gòu))。對于res_block的解釋，可以在圖1的右下角直觀看到，其基本組件也是DBL。
concat：張量拼接。將darknet中間層和后面的某一層的上采樣進行拼接。拼接的操作和殘差層add的操作是不一樣的，拼接會擴充張量的維度，而add只是直接相加不會導致張量維度的改變。
網(wǎng)絡(luò)結(jié)構(gòu)解析：
- Yolov3中，只有卷積層，通過調(diào)節(jié)卷積步長控制輸出特征圖的尺寸。所以對于輸入圖片尺寸沒有特別限制。流程圖中，輸入圖片以256*256作為樣例。
- Yolov3借鑒了金字塔特征圖思想，小尺寸特征圖用于檢測大尺寸物體，而大尺寸特征圖檢測小尺寸物體。特征圖的輸出維度為
為輸出特征圖格點數(shù)，一共3個Anchor框，每個框有4維預(yù)測框數(shù)值
，1維預(yù)測框置信度，80維物體類別數(shù)。所以第一層特征圖的輸出維度為
。 - Yolov3總共輸出3個特征圖，第一個特征圖下采樣32倍，第二個特征圖下采樣16倍，第三個下采樣8倍。輸入圖像經(jīng)過Darknet-53（無全連接層），再經(jīng)過Yoloblock生成的特征圖被當作兩用，第一用為經(jīng)過33卷積層、11卷積之后生成特征圖一，第二用為經(jīng)過1*1卷積層加上采樣層，與Darnet-53網(wǎng)絡(luò)的中間層輸出結(jié)果進行拼接，產(chǎn)生特征圖二。同樣的循環(huán)之后產(chǎn)生特征圖三。
- concat操作與加和操作的區(qū)別：加和操作來源于ResNet思想，將輸入的特征圖，與輸出特征圖對應(yīng)維度進行相加，即
；而concat操作源于DenseNet網(wǎng)絡(luò)的設(shè)計思路，將特征圖按照通道維度直接進行拼接，例如8816的特征圖與8816的特征圖拼接后生成8832的特征圖。 - 上采樣層(upsample)：作用是將小尺寸特征圖通過插值等方法，生成大尺寸圖像。例如使用最近鄰插值算法，將88的圖像變換為1616。上采樣層不改變特征圖的通道數(shù)。
- 激活函數(shù)
LeakyReLU的激活函數(shù)，如下
其中，Darknet的2維卷積DarknetConv2D，具體操作如下：
? 將核權(quán)重矩陣的正則化，使用L2正則化，參數(shù)是5e-4，即操作w參數(shù)；
? Padding，一般使用same模式，只有當步長為(2,2)時，使用valid模式。避免在降采樣中，引入無用的邊界信息；
? 其余參數(shù)不變，都與二維卷積操作Conv2D()一致；
kernel_regularizer是將核權(quán)重參數(shù)w進行正則化，而BatchNormalization是將輸入數(shù)據(jù)x進行正則化。
Leaky_Relu（yolov3）與mish（yolov4），如下
- 殘差流程
在darknet_body()中，執(zhí)行5組resblock_body()殘差塊，重復(fù)[1, 2, 8, 8, 4]次，雙卷積（1x1和3x3）操作，每組均含有一次步長為2的卷積操作，因而一共降維5次32倍，即32=2^5，則輸出的特征圖維度是13，即13=416/32。最后1層的通道（filter）數(shù)是1024，因此，最終的輸出結(jié)構(gòu)是(?, 13, 13, 1024)。
8. 特征圖
特征圖
在YOLO v3網(wǎng)絡(luò)中，輸出3個不同尺度的檢測圖，用于檢測不同大小的物體。調(diào)用3次make_last_layers()，產(chǎn)生3個檢測圖，即y1、y2和y3。
13x13檢測圖
第1個部分，輸出維度是13x13。在make_last_layers()方法中，輸入?yún)?shù)如下：
? darknet.output：DarkNet網(wǎng)絡(luò)的輸出，即(?, 13, 13, 1024)；
? num_filters：通道個數(shù)512，用于生成中間值x，x會傳導至第2個檢測圖；
? out_filters：第1個輸出y1的通道數(shù)，值是錨框數(shù)*(類別數(shù)+4個框值+框置信度)；
在make_last_layers()方法中，執(zhí)行2步操作：
? 第1步，x執(zhí)行多組1x1的卷積操作和3x3的卷積操作，filter先擴大再恢復(fù)，最后與輸入的filter保持不變，仍為512，則x由(?,13, 13, 1024)轉(zhuǎn)變?yōu)??, 13, 13, 512)；
? 第2步，x先執(zhí)行3x3的卷積操作，再執(zhí)行不含BN和Leaky的1x1的卷積操作，作用類似于全連接操作，生成預(yù)測矩陣y；
26x26檢測圖
第2個部分，輸出維度是26x26，包含以下步驟：
? 通過DarknetConv2D_BN_Leaky卷積，將x由512的通道數(shù)，轉(zhuǎn)換為256的通道數(shù)；
? 通過2倍上采樣UpSampling2D，將x由13x13的結(jié)構(gòu)，轉(zhuǎn)換為26x26的結(jié)構(gòu)；
? 將x與DarkNet的第152層拼接Concatenate，作為第2個尺度特征圖；
52x52檢測圖
第3部分的輸出結(jié)構(gòu)，52x52，與第2部分類似，如下：
邏輯如下：
? x經(jīng)過128個filter的卷積，再執(zhí)行上采樣，輸出為(?, 52, 52, 128)；
? darknet.layers[92].output，與152層類似，結(jié)構(gòu)是(?, 52, 52, 256)；
? 兩者拼接之后是(?, 52, 52, 384)；
? 最后輸入至make_last_layers，生成y3是(?, 52, 52, 18)，忽略x的輸出；
? 最后，則是模型的重組，輸入inputs依然保持不變，即(?, 416, 416, 3)，而輸出轉(zhuǎn)換為3個尺度的預(yù)測層，即[y1, y2,
y3]。
參考鏈接：
https://blog.csdn.net/loco1223/article/details/92078816
https://zhuanlan.zhihu.com/p/76802514
https://blog.csdn.net/weixin_47196664/article/details/106536656
總結(jié)
以上是生活随笔為你收集整理的Yolov3网络架构分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
