共计 1055 个字符，预计需要花费 3 分钟才能阅读完成。
摘要： 本文将具体介绍 Yolov3 的网络结构相干内容。
Yolov3 网络结构
在博客“Yolo 倒退历史及网络结构”中咱们曾经具体的解释了 Yolov1 的网络结构，并简要的提到了 Yolov2 与 Yolov3 对于网络结构的改良，本篇博客将具体介绍 Yolov3 的网络结构，内容比较简单。
Yolov3 网络结构图
从图中能够看出，Yolov3 次要有以下几局部组成：
- 输出
- 根底网络：根底网络是能够依据具体的需要抉择，作者原文用的是本人设计的：Darknet-53
- YOLOv3 网络的三个分支：Y1，Y2，Y3
网络部件介绍
DBL: 如图 1 左下角所示，也就是代码中的 Darknetconv2d_BN_Leaky，是 yolo_v3 的根本组件。就是卷积 +BN+Leaky relu。对于 v3 来说，BN 和 leaky relu 曾经是和卷积层不可拆散的局部了 (最初一层卷积除外)，独特形成了最小组件。
resn：n 代表数字，有 res1，res2, … ,res8 等等，示意这个 res_block 里含有多少个 res_unit。这是 yolo_v3 的大组件，yolo_v3 开始借鉴了 ResNet 的残差构造，应用这种构造能够让网络结构更深 (从 v2 的 darknet-19 回升到 v3 的 darknet-53，前者没有残差构造)。对于 res_block 的解释，能够在图 1 的右下角直观看到，其根本组件也是 DBL。
concat：张量拼接。将 darknet 中间层和前面的某一层的上采样进行拼接。拼接的操作和残差层 add 的操作是不一样的，拼接会裁减张量的维度，而 add 只是间接相加不会导致张量维度的扭转。
YOLOv3 网络的三个分支
多尺度检测 -Y1
实用指标：大指标
门路：绿色线标注
输入维度：13×13×255
输入维度具体解释：13×13：图片大小；255=（80+5）×3；80：辨认物体品种数；5=x,y,w,h 和 c（置信度）；3：每个点预测 3 个 bounding box。
多尺度检测 -Y2
实用指标：中指标
门路：黄色线标注
输入维度：26×26×255
输入维度具体解释：26×26：图片大小；255=（80+5）×3；80：辨认物体品种数；5=x,y,w,h 和 c（置信度）；3：每个点预测 3 个 bounding box。
多尺度检测 -Y3
实用指标：小指标
门路：紫色线标注
输入维度：52×52×255
输入维度具体解释：52×52：图片大小；255=（80+5）×3；80：辨认物体品种数；5=x,y,w,h 和 c（置信度）；3：每个点预测 3 个 bounding box。
点击关注，第一工夫理解华为云陈腐技术~
