YOLOv4之网络结构剖析-Toy模板网

这篇具有很好参考价值的文章主要介绍了YOLOv4之网络结构剖析。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1.yolov4的网络结构

yolov4的网络结构包括

backbone
- CSPDarknet53
Neck
- SPP
- PANet
Dence Prediction
- yolo head

整个网络结构如下图1所示:

YOLOv4之网络结构剖析

图1 yolov4结构

1.1 BackBone

1.1.1 CSP模块

CSP在论文《CSP:A New Backbone that can Enhance Learning Capability of CNN 》提出，把CSP(Cross Stage Partial)应用到ResNe(X)t，模型结构如下图2所示。

YOLOv4之网络结构剖析

图2 CSP结构应用到ResNe(X)t

从结构上来看，CSP是将输入通道分成两部分，一部分经过常规Res(X)Block后跟另一部分进行通道拼接，拼接后进入transition layer。CSP将梯度的变化从头到尾地集成到特征图中，在减少了计算量的同时可以保证准确率(或有所提升)。其中transition layer是一个卷积加池化,用于整合学到的特征,降低特征图的尺寸。

1.1.2 CSPDarknet53

参考了yolov4源码的cfg文件，画了个cspdarknet53比较详细的结构图，如下所示：

YOLOv4之网络结构剖析

图4 CSPDarknet53结构图

总体来看，每个CSP模块都有以下特点：

相比于输入，输出featuremap大小减半
相比于输入，输出通道数增倍
经过第一个CBM后，featuremap大小减半,通道数增倍

CSP1和其他CSP有所不同：

经过模块第二个CBM后，CSP1 featuremap大小和通道数都不变，但是其他模块featuremap大小不变，通道减半
经过最后一个CBM后，CSP1 featuremap大小不变，通道数减半，但是其他模块featuremap大小通道数都不变

1.2 Neck

yolov4的Neck部分主要使用SPP和PANet模块。

1.2.1 SPP

SPP(空间金字塔)可以使得多个尺寸特征融合在一起，输入经过3个maxpool然后concat在一起，maxpool大小分别是13,9和5，yolov4中得SPP模块如下图5所示。

YOLOv4之网络结构剖析

图5 SPP

1.2.2 PANet

YOLOv4之网络结构剖析

图7 PaNet结构

PANet是加强版的FPN，通过融合自底向上和自顶向下两个路径增加模型的表征能力。

yolov4的PANnet结构如下图6所示，结构中包括了两次上采样和两次下采样，而与yolov3的Neck部分只包括上采样。

YOLOv4之网络结构剖析

图6 PANet

欢迎指正！

ref:

YOLOv4: Optimal Speed and Accuracy of Object Detection
CSPNet: A New Backbone that can Enhance Learning Capability of CNN
Path Aggregation Network for Instance Segmentation文章来源地址https://www.toymoban.com/news/detail-444417.html

到了这里，关于YOLOv4之网络结构剖析的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！