1、基本网络

YOLO V3采用了名为Darknet-53的网络结构(如上图)，之所以是53，是因为含有53个卷积层，最后的Connected是全连接层也是卷积层。按照下图计算层数： ( 2 + 1 ∗ 2 + 1 + 2 ∗ 2 + 1 + 8 ∗ 2 + 1 + 8 ∗ 2 + 1 + 4 ∗ 2 + 1 ) = 53 (2+1*2+1+2*2+1+8*2+1+8*2+1+4*2+1)=53 (2+1∗2+1+2∗2+1+8∗2+1+8∗2+1+4∗2+1)=53。
每个卷积层后面都会跟一个BN层和一个LeakyReLU层。卷积的Strides默认为（1，1），Padding默认为Same，当Strides为（2，2）时，Padding为Valid。Darknet-53网络采用 256 ∗ 256 ∗ 3 256*256*3 256∗256∗3作为输入，下图左侧的1、2、8、4表示为残差组件（如下图）的重复次数。

2、YOLO V3网络结构

• DBL：如上图左下角所示，也就是代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件。就是卷积+BN+Leaky relu。对于v3来说，BN和leaky relu已经是和卷积层不可分离的部分了(最后一层卷积除外)，共同构成了最小组件。
• resn：n代表数字，有res1，res2, … ,res8等等，表示这个res_block（残缺块）里含有多少个res_unit（残缺单元）。这是yolo_v3的大组件，yolo_v3开始借鉴了ResNet的残缺结构，使用这种结构可以让网络结构更深(从v2的darknet-19上升到v3的darknet-53，前者没有残差结构)。对于res_block的解释，可以在上图的右下角直观看到，其基本组件也是DBL。
• concat：张量拼接。将darknet中间层和后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，拼接会扩充张量的维度，而add只是直接相加不会导致张量维度的改变。

YOLO V3的网络一共有252层：

• Add:23
  • 主要用于res_block的构成，每个res_unit需要一个add层，一共有1+2+8+8+4=23层。
• BatchNormalization:72
  • BN层和LeakyReLU层数量完全一样（72层），在网络结构中表现为：每一次BN后面都会接一层LeakyReLU
• Concatenate:2
• Conv2D:75
  • 卷积层一共有75层，其中有72层后面都会接BN+LeakyReLU的组合构成基本组件DBL。
• InputLayer:1
• LeakyReLU:72
• UpSampling2D:2
• ZeroPadding2D:5
  • 每个res_block都会用上一个零填充，一共有5个res_block。

整个V3结构中，是没有池化层和全连接层的。前向传播过程中，张量的尺寸变化是通过改变卷积核的步长来实现的。比如stride=(2, 2)，这就等于将图像边长缩小了一半(即面积缩小到原来的 1 4 \cfrac{1}{4} 41​)。在yolo_v2中，要经历5次缩小，会将特征图缩小到原输入尺寸的 1 2 5 \cfrac{1}{2^5} 251​，即 1 32 \cfrac{1}{32} 321​。输入为 416 ∗ 416 416*416 416∗416，则输出为 13 ∗ 13 13*13 13∗13( 416 / 32 = 13 416/32=13 416/32=13)。
yolo_v3也和v2一样，backbone都会将输出特征图缩小到输入的 1 32 \cfrac{1}{32} 321​。所以，通常都要求输入图片是 32 32 32的倍数。

参考

• https://blog.csdn.net/kk123k/article/details/86696354