目标检测学习笔记（一）——YoloV4环境配置及代码实现

最新推荐文章于 2026-05-04 08:11:25 发布

原创

最新推荐文章于 2026-05-04 08:11:25 发布 · 3k 阅读

文章目录

前言
- - 环境配置
  - 参考
一、yoloV3算法原理及实现
二、YoloV4 算法原理
- YOLOV4改进的部分
- 主干特征提取网络Backbone
三、YoloV4 算法程序实现
四、相关问题

前言

环境配置

windows下的torch=1.2.0环境配置

查看有哪些虚拟环境：conda info --env

Anaconda+Pycharm环境下的PyTorch配置方法

参考

yolov3参考：

YOLOv3 深入理解

视频学习链接：

视频地址：Pytorch 搭建自己的YOLO3目标检测平台（Bubbliiiing 深度学习教程）

博客地址：睿智的目标检测26——Pytorch搭建yolo3目标检测平台

源码地址

一、yoloV3算法原理及实现

参考：

睿智的目标检测26——Pytorch搭建yolo3目标检测平台

ResNet50 、残差网络

神经网络学习小记录20——ResNet50模型的复现详解

昇腾

基于Atlas 200 DK的原版YOLOv3（基于Darknet-53）实现v

yolov3 算法原理

实现代码： darknet.py yolo3.py

主干提取网络 Darknet53 介绍

YoloV3所使用的主干特征提取网络为Darknet53，它具有两个重要特点：

1、Darknet53具有一个重要特点是使用了残差网络Residual，Darknet53中的残差卷积就是首先进行一次卷积核大小为3X3、步长为2的卷积，该卷积会压缩输入进来的特征层的宽和高，此时我们可以获得一个特征层，我们将该特征层命名为layer。之后我们再对该特征层进行一次1X1的卷积和一次3X3的卷积，并把这个结果加上layer，此时我们便构成了残差结构。通过不断的1X1卷积和3X3卷积以及残差边的叠加，我们便大幅度的加深了网络。

残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。

2、Darknet53的每一个卷积部分使用了特有的DarknetConv2D结构，每一次卷积的时候进行l2正则化，完成卷积后进行BatchNormalization标准化与LeakyReLU。

普通的ReLU是将所有的负值都设为零，Leaky ReLU则是给所有负值赋予一个非零斜率。以数学的方式我们可以表示为：

残差网络

参考：[神经网络学习小记录20——ResNet50模型的复现详解]((66条消息) 神经网络学习小记录20——ResNet50模型的复现详解_Bubbliiiing的学习小课堂-CSDN博客)

Residual net(残差网络):

将靠前若干层的某一层数据 输出直接 跳过多层 引入到后面数据层的输入部分。
意味着 后面的特征层的内容会有一部分由其前面的某一层线性贡献。

其结构如下：

深度残差网络的设计是为了克服由于 网络深度加深而产生的学习效率变低与准确率无法有效提升的问题。

Darknet53

Darknet53 除了最开始的卷积块 Conv2D ,其他都是由残差网络构成的残差块Residual Block

PS：该图有一些小问题，宽高最小的特征层在经过Conv2D Block 5L的处理后，它的shape按照代码应该为(batch_size,13,13,512)，而非图中的(batch_size,13,13,1024)。

主干特征提取网络：提取特征

输入是一个416x416x3——>进行下采样，宽高会不断的被压缩，在不断卷积之后，通道数（channel数/kernel的数目)由 3 逐渐增多，变为 1024。——>可以获得一堆特征层，用来表示输入进来图片的特征。

下采样：

52，52，256
26，26，512    会和  13，13，1024  层的上采样得到的特征层  进行堆叠，构建特征金字塔
13，13，1024   进行5次卷积的操作，会有两个方向的前进，即  分类预测  和  回归预测

路径一：分类预测和回归预测的结果

13×13×75 = 13×13×3×25 = 13×13×3×（20+1+4） 

13，13（把输入的图片划分成13 × 13的网格，每个网格上面存在 3 个先验框），75   -> 

13，13，3(3个先验框，它是预先标注在图片上的，用以检测物体)×25（25分为20+1+4）   ->   
13，13，3，20（框内部物体属于某一个类的概率，总共20个类）+1（判别是否有物体）+4（先验框的调整参数，4个参数确定一个框）

13×13×3×（20+1+4）的理解：预测的结果判断各个网格（13）的先验框（3）里是否真的包含物体（1），然后判断物体的种类（20），然后对先验框进行中心和宽高的调整（4），使其变成预测框

路径二：卷积后上采样

上采样会使得特征层宽高得到扩张，会和【26，26，512】特征层进行堆叠，该过程就是在构建特征金字塔，利用特征金字塔可以进行多尺度特征融合，提取出更有效地特征。

26，26，512    会和  13，13，1024  上采样得到的特征层进行堆叠，构建特征金字塔
然后进行5次卷积  
得到：26，26，75  ——>   
分解：26，26，3x25   ——>   26x26x3x（20+1+4）

26x26x3x（20+1+4）理解同路径一：13×13×3×（20+1+4）

路径三：

同理：

预测部分

参考：

神经网络学习小记录27——数据预处理

睿智的目标检测26——Pytorch搭建yolo3目标检测平台_Bubbliiiing的学习小课堂-CSDN博客

步骤：

从特征获取预则结果

预则结果的解码

在原图上进行绘制

训练部分

计算loss所需参数

pred是什么

target是什么

loss的计算过程

其他参考

yolo系列之yolo v3【深度解析】

DBL: 如图1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。

深度学习 BN 、LeakyReLU算法原理

resn：n代表数字，有res1，res2, … ,res8等等，表示这个res_block里含有多少个res_unit。这是yolo_v3的大组件，yolo_v3开始借鉴了ResNet的残差结构，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，可以在图1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。

DBL

二维卷积操作（DarknetConv2D）

归一化（BatchNormalization）

非线性激活函数（LeakyReLU）

backbone

整个v3结构里面，是**没有池化层和全连接层**的(下采样层也叫池化层：池化层理解、卷积层与池化层、CNN 入门讲解：什么是全连接层)。

前向传播过程中，张量的尺寸变换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)。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 1/2^51/25，即1/32。输入为416x416，则输出为13x13(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。所以，通常都要求输入图片是32的倍数。可以对比v2和v3的backbone看看：（DarkNet-19 与 DarkNet-53）