yolov3入门（yolov3.cfg）



 学习资料：

        本文件在cfg文件夹下的yolov3-spp.cfg，在搭建模型之前，需要去了解每层和参数的含义。[net]在搭建和训练网络过程中不起任何作用。

（1）层结构

（2）基础知识：LeakyReLU

        ReLU函数在x<0时，函数值恒为0，且其导函数也为0，导致如果神经元的输出一旦变为0后，就再也无法复活。为了解决该问题，产生了很多基于ReLU的派生形式，比如,Leaky ReLU函数。

f(x)=max(0,x)+a*min(0,x)=max(x,ax),其中，0<a<=1,一般取0.01或0.1

        为了解决ReLU在 x<0 时梯度消失引起的学习不安定问题，提出了Leaky ReLU， 使得在 x<0 时也能让学习继续进行，便于让模型更具活性。但实际上也有实际效果不明显的情况，需要根据实际情况加以判断。

（1）层结构

（1）层结构

maxpool只在SPP中出现，为了不改变输入特征层的shape，所以进行padding填充

（2）SPP（Spatial Pyramid Pooling）

        空间金字塔池化的作用是解决输入图片大小不一造成的缺陷，同时在目标识别中增加了精度。它使得任意大小的特征图都能够转换成固定大小的特征向量，其核心思想：把经典的金字塔池化结构Spatial Pyramid Pooling引入CNN中，从而使CNN可以处理任意尺寸的图片。

下面这段代码刚好对于SPP结构：

将输入特征矩阵的高和宽放大2倍。

yolo层并不是最终的预测器，而是在预测器之后的结构，对预测结构进行处理以及生成一系列的anchors。

        本文件在build_utils文件夹下的parse_config.py。 #parse：解析；config：配置

        检查文件是否存在，读取信息并进行简单处理。

        将所有层结构读取一遍，存储到mdefs。

        所有的参数都存储在supported里。

        检查每个模型的参数是否在supported。

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/cjjbc/14893.html