*.Yolov3学习心得

1、网络架构*

Yolov3采用Darknet53作为特征提取网络，该网络舍弃了一般特征提取网络的pooling池化层，通过改变卷据层的stride=2，实现下采样的操作，Darknet53最大的特点就是网络中穿插残差结构，残差网络的结构如下

1.1 残差结构

残差结构在一定程度上加深了网络深度，缓解了网络中增加深度带来的梯度消失问题，使优化更容易。

1.2 upsample和多特征融合

Yolov3采用了类似于如图特征金字塔网络的upsample和多特征融合策略，分别在倒数3个残差模块输出预测结果。

该策略的优势在于对于小目标物体也能检测，不会丢失小感受野物体

2 网络简易理解

对于Yolov3网络，实际上我们可以这样理解：将待检测目标图片分成13x13，26x26，52x52的格，以每个格点为中心，每个格点提供3种候选框，设计52*52的格点有利于检测到较小物体，在网络框架图中13x13x75,26x26x75,52x52x75中的13,26,52和该划分策略对应。这里的75=3x（5+20）。3代表3种候选框，这里5代表候选框参数（x，y，w，h，confidence）这5个参数，这里的20代表voc数据集检测的目标类别，这里是20类。

理解了网络，下一步我们去训练吧，获取训练代码下方评论！