摘要：本文将詳細介紹Yolov3的網絡結構相關内容。
Yolov3 網絡結構
在部落格“Yolo發展曆史及網絡結構”中我們已經詳細的解釋了Yolov1的網絡結構，并簡要的提到了Yolov2與Yolov3對于網絡結構的改進，本篇部落格将詳細介紹Yolov3的網絡結構，内容比較簡單。
Yolov3網絡結構圖
從圖中可以看出，Yolov3主要有以下幾部分組成：
- 輸入
- 基礎網絡：基礎網絡是可以根據具體的需求選擇，作者原文用的是自己設計的：Darknet-53
- YOLOv3網絡的三個分支：Y1，Y2，Y3
網絡部件介紹
DBL: 如圖1左下角所示，也就是代碼中的Darknetconv2d_BN_Leaky，是yolo_v3的基本元件。就是卷積+BN+Leaky relu。對于v3來說，BN和leaky relu已經是和卷積層不可分離的部分了(最後一層卷積除外)，共同構成了最小元件。
resn：n代表數字，有res1，res2, … ,res8等等，表示這個res_block裡含有多少個res_unit。這是yolo_v3的大元件，yolo_v3開始借鑒了ResNet的殘差結構，使用這種結構可以讓網絡結構更深(從v2的darknet-19上升到v3的darknet-53，前者沒有殘差結構)。對于res_block的解釋，可以在圖1的右下角直覺看到，其基本元件也是DBL。
concat：張量拼接。将darknet中間層和後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，拼接會擴充張量的次元，而add隻是直接相加不會導緻張量次元的改變。
YOLOv3網絡的三個分支
多尺度檢測-Y1
适用目标：大目标
路徑：綠色線标注
輸出次元：13×13×255
輸出次元具體解釋：13×13：圖檔大小；255=（80+5）×3；80：識别物體種類數；5=x,y,w,h和c（置信度）；3：每個點預測3個bounding box。
多尺度檢測-Y2
适用目标：中目标
路徑：黃色線标注
輸出次元：26×26×255
輸出次元具體解釋：26×26：圖檔大小；255=（80+5）×3；80：識别物體種類數；5=x,y,w,h和c（置信度）；3：每個點預測3個bounding box。
多尺度檢測-Y3
适用目标：小目标
路徑：紫色線标注
輸出次元：52×52×255
輸出次元具體解釋：52×52：圖檔大小；255=（80+5）×3；80：識别物體種類數；5=x,y,w,h和c（置信度）；3：每個點預測3個bounding box。
點選關注，第一時間了解華為雲新鮮技術~