共计 1052 个字符，预计需要花费 3 分钟才能阅读完成。
原文地址:https://zhuanlan.zhihu.com/p/…
YOLO V3 网络架构
backbone：Darknet-53
网络结构解析：
- Yolov3 中，只有卷积层，通过调节卷积步长管制输入特色图的尺寸。所以对于输出图片尺寸没有特地限度。流程图中，输出图片以 256*256 作为样例。
- Yolov3 借鉴了金字塔特色图思维，小尺寸特色图用于检测大尺寸物体，而大尺寸特色图检测小尺寸物体。特色图的输入维度为 NxNx[3x(4+1+80)]，NxN 为输入特色图格点数，一共 3 个 Anchor 框，每个框有 4 维预测框数值 tx,ty,tw,th，1 维预测框置信度，80 维物体类别数。所以第一层特色图的输入维度为 8x8x255。
- Yolov3 总共输入 3 个特色图，第一个特色图下采样 32 倍，第二个特色图下采样 16 倍，第三个下采样 8 倍。输出图像通过 Darknet-53（无全连贯层），再通过 Yoloblock 生成的特色图被当作两用，第一用为通过 3 3 卷积层、1 1 卷积之后生成特色图一，第二用为通过 1 * 1 卷积层加上采样层，与 Darnet-53 网络的中间层输入后果进行拼接，产生特色图二。同样的循环之后产生特色图三。
- concat 操作与加和操作的区别：加和操作来源于 ResNet 思维，将输出的特色图，与输入特色图对应维度进行相加，即 y=f(x)+x；而 concat 操作源于 DenseNet 网络的设计思路，将特色图依照通道维度间接进行拼接，例如 8 816 的特色图与 8 816 的特色图拼接后生成 8 832 的特色图。
- 上采样层 (upsample)：作用是将小尺寸特色图通过插值等办法，生成大尺寸图像。例如应用最近邻插值算法，将 8 8 的图像变换为 1616。上采样层不扭转特色图的通道数。
Yolo 的整个网络，汲取了 Resnet、Densenet、FPN 的精华，能够说是交融了指标检测以后业界最无效的全副技巧。
Loss 函数
- \(\lambda \) 为权重常数，管制检测框 Loss、obj 置信度 Loss、noobj 置信度 Loss 之间的比例，通常负例的个数是正例的几十倍以上，能够通过权重超参管制检测成果。
- \(1^{obj}_{ij} \) 若是正例则输入 1，否则为 0；\(1^{obj}_{ij} \) 若是负例则输入 1，否则为 0；疏忽样例都输入 0。
- x、y、w、h 应用 MSE 作为损失函数，也能够应用 smooth L1 loss（出自 Faster R-CNN）作为损失函数。smooth L1 能够使训练更加平滑。置信度、类别标签因为是 0，1 二分类，所以应用穿插熵作为损失函数。
正文完
