从YOLO到YOLO v2再到YOLO v3

article/2025/8/23 13:25:30

配置相关博客链接：

YOLO V3-GPU版本在Windows配置及注意事项

YOLO v3在Windows下的配置（无GPU）+opencv3.2.0+VS2015

前不久YOLO v3出来了，就迫不及待的想试一下。以前装过darknet所以我把整个darknet的文件夹全部删掉。

然后按照官网上的

git clone https://github.com/pjreddie/darknet
cd darknet
make

接着下载了yolo v3的weight

wget https://pjreddie.com/media/files/yolov3.weights

输入

./darknet detect cfg/yolov3.cfg yolov3.weights

得到了网络架构

layer     filters    size              input                output0 conv     32  3 x 3 / 1   416 x 416 x   3   ->   416 x 416 x  32  0.299 BFLOPs1 conv     64  3 x 3 / 2   416 x 416 x  32   ->   208 x 208 x  64  1.595 BFLOPs2 conv     32  1 x 1 / 1   208 x 208 x  64   ->   208 x 208 x  32  0.177 BFLOPs3 conv     64  3 x 3 / 1   208 x 208 x  32   ->   208 x 208 x  64  1.595 BFLOPs4 res    1                 208 x 208 x  64   ->   208 x 208 x  645 conv    128  3 x 3 / 2   208 x 208 x  64   ->   104 x 104 x 128  1.595 BFLOPs6 conv     64  1 x 1 / 1   104 x 104 x 128   ->   104 x 104 x  64  0.177 BFLOPs7 conv    128  3 x 3 / 1   104 x 104 x  64   ->   104 x 104 x 128  1.595 BFLOPs8 res    5                 104 x 104 x 128   ->   104 x 104 x 1289 conv     64  1 x 1 / 1   104 x 104 x 128   ->   104 x 104 x  64  0.177 BFLOPs10 conv    128  3 x 3 / 1   104 x 104 x  64   ->   104 x 104 x 128  1.595 BFLOPs11 res    8                 104 x 104 x 128   ->   104 x 104 x 12812 conv    256  3 x 3 / 2   104 x 104 x 128   ->    52 x  52 x 256  1.595 BFLOPs13 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs14 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs15 res   12                  52 x  52 x 256   ->    52 x  52 x 25616 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs17 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs18 res   15                  52 x  52 x 256   ->    52 x  52 x 25619 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs20 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs21 res   18                  52 x  52 x 256   ->    52 x  52 x 25622 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs23 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs24 res   21                  52 x  52 x 256   ->    52 x  52 x 25625 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs26 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs27 res   24                  52 x  52 x 256   ->    52 x  52 x 25628 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs29 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs30 res   27                  52 x  52 x 256   ->    52 x  52 x 25631 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs32 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs33 res   30                  52 x  52 x 256   ->    52 x  52 x 25634 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs35 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs36 res   33                  52 x  52 x 256   ->    52 x  52 x 25637 conv    512  3 x 3 / 2    52 x  52 x 256   ->    26 x  26 x 512  1.595 BFLOPs38 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs39 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs40 res   37                  26 x  26 x 512   ->    26 x  26 x 51241 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs42 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs43 res   40                  26 x  26 x 512   ->    26 x  26 x 51244 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs45 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs46 res   43                  26 x  26 x 512   ->    26 x  26 x 51247 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs48 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs49 res   46                  26 x  26 x 512   ->    26 x  26 x 51250 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs51 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs52 res   49                  26 x  26 x 512   ->    26 x  26 x 51253 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs54 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs55 res   52                  26 x  26 x 512   ->    26 x  26 x 51256 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs57 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs58 res   55                  26 x  26 x 512   ->    26 x  26 x 51259 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs60 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs61 res   58                  26 x  26 x 512   ->    26 x  26 x 51262 conv   1024  3 x 3 / 2    26 x  26 x 512   ->    13 x  13 x1024  1.595 BFLOPs63 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs64 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs65 res   62                  13 x  13 x1024   ->    13 x  13 x102466 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs67 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs68 res   65                  13 x  13 x1024   ->    13 x  13 x102469 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs70 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs71 res   68                  13 x  13 x1024   ->    13 x  13 x102472 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs73 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs74 res   71                  13 x  13 x1024   ->    13 x  13 x102475 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs76 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs77 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs78 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs79 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs80 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs81 conv    255  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 255  0.088 BFLOPs82 detection83 route  7984 conv    256  1 x 1 / 1    13 x  13 x 512   ->    13 x  13 x 256  0.044 BFLOPs85 upsample            2x    13 x  13 x 256   ->    26 x  26 x 25686 route  85 6187 conv    256  1 x 1 / 1    26 x  26 x 768   ->    26 x  26 x 256  0.266 BFLOPs88 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs89 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs90 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs91 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs92 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs93 conv    255  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 255  0.177 BFLOPs94 detection95 route  9196 conv    128  1 x 1 / 1    26 x  26 x 256   ->    26 x  26 x 128  0.044 BFLOPs97 upsample            2x    26 x  26 x 128   ->    52 x  52 x 12898 route  97 3699 conv    128  1 x 1 / 1    52 x  52 x 384   ->    52 x  52 x 128  0.266 BFLOPs100 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs101 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs102 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs103 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs104 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs105 conv    255  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 255  0.353 BFLOPs106 detection

测试了几张图片给大家分享一下

用时在13 s左右

为了对比，下了YOLO v2的权重

wget https://pjreddie.com/media/files/yolov2.weights

YOLOv2的架构

layer     filters    size              input                output0 conv     32  3 x 3 / 1   416 x 416 x   3   ->   416 x 416 x  32  0.299 BFLOPs1 max          2 x 2 / 2   416 x 416 x  32   ->   208 x 208 x  322 conv     64  3 x 3 / 1   208 x 208 x  32   ->   208 x 208 x  64  1.595 BFLOPs3 max          2 x 2 / 2   208 x 208 x  64   ->   104 x 104 x  644 conv    128  3 x 3 / 1   104 x 104 x  64   ->   104 x 104 x 128  1.595 BFLOPs5 conv     64  1 x 1 / 1   104 x 104 x 128   ->   104 x 104 x  64  0.177 BFLOPs6 conv    128  3 x 3 / 1   104 x 104 x  64   ->   104 x 104 x 128  1.595 BFLOPs7 max          2 x 2 / 2   104 x 104 x 128   ->    52 x  52 x 1288 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs9 conv    128  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 128  0.177 BFLOPs10 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs11 max          2 x 2 / 2    52 x  52 x 256   ->    26 x  26 x 25612 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs13 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs14 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs15 conv    256  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x 256  0.177 BFLOPs16 conv    512  3 x 3 / 1    26 x  26 x 256   ->    26 x  26 x 512  1.595 BFLOPs17 max          2 x 2 / 2    26 x  26 x 512   ->    13 x  13 x 51218 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs19 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs20 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs21 conv    512  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 512  0.177 BFLOPs22 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs23 conv   1024  3 x 3 / 1    13 x  13 x1024   ->    13 x  13 x1024  3.190 BFLOPs24 conv   1024  3 x 3 / 1    13 x  13 x1024   ->    13 x  13 x1024  3.190 BFLOPs25 route  1626 conv     64  1 x 1 / 1    26 x  26 x 512   ->    26 x  26 x  64  0.044 BFLOPs27 reorg              / 2    26 x  26 x  64   ->    13 x  13 x 25628 route  27 2429 conv   1024  3 x 3 / 1    13 x  13 x1280   ->    13 x  13 x1024  3.987 BFLOPs30 conv    425  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 425  0.147 BFLOPs31 detection

 

测试了一下

 

用时6 s左右

解释一下为什么直接删掉了darknet，因为安装的旧版本的darknet里面没有yolov3的配置文件，就是yolov3.cfg

我试着从github上下载了该文件，还是不能成功，所以直接删掉了。如果谁有更好的办法请教教我~

YOLOv1

YOLOv2

YOLOv3

 


http://chatgpt.dhexx.cn/article/CGDalicA.shtml

相关文章

yolovx

yolovx

1.输入端 （1）Strong augmentation Yolox主要采用了Mosaic、Mixup两种数据增强方法 有两点需要注意： （1）在训练的最后15个epoch，这两个数据增强会被关闭掉。 而在此之前，Mosaic和Mixup数据增…
阅读更多...
史上最通俗易懂的YOLOv2讲解

史上最通俗易懂的YOLOv2讲解

博主本来想自己写一篇关于YOLOv2的论文笔记的，在找资料的过程中看到这篇天秀的博客，就“据为己用”了。不得不出，很多大佬写的都太深刻了，还是转载比较舒服点~~~~~~ 本文转自目标检测|YOLOv2原理与实现(附YOLOv3) 前 言 在前面的…
阅读更多...
【目标检测】YOLOV2详解

【目标检测】YOLOV2详解

前言 前面我们已经讲解过了YOLOV1，因此在这里我会接着前几天的讲解，进一步写一下YOLOV2的基本思想和改进。 YOLOv2的论文全名为YOLO9000: Better, Faster, Stronger，它斩获了CVPR 2017 Best Paper Honorable Mention。在这篇文章中&#xf…
阅读更多...
YOLOv2目标检测算法——通俗易懂的解析

YOLOv2目标检测算法——通俗易懂的解析

目录 YOLOv2目标检测算法前沿一.YOLOv2的改进1.1.BN1.2.High Resolution Classifier1.3.anchor1.4.Fine-Grained Features(细粒度特征)1.5.Multi-Scale Training 二.损失函数三.检测更多类别 YOLOv2目标检测算法 前沿 前面我们讲过了YOLOv1目标检测算法，不了解的小…
阅读更多...
YOLOP v2

YOLOP v2

还是先道歉啊 就是自学求知 又一个自称更好的!! 网上找到的就发了 不知道 大伙用的怎么样啊 更好、更快、更强 ... YOLOv7结合YOLOP的多任务版本 论文链接：https://arxiv.org/pdf/2208.11434v1.pdf 代码链接：https://github.com/CAIC-AD/YOLOPv2 在…
阅读更多...
YOLO系列（V1-V2-V3）

YOLO系列（V1-V2-V3）

yolo系列整理 版本作者主页程序论文yoloV1点击打开点击打开点击打开yoloV2点击打开点击打开点击打开yoloV3点击打开点击打开点击打开 改进 V2 VS V1: 增加BN层： 解决问题：每层的输入分布一直在改变，训练难度增加；采取措施&am…
阅读更多...
YOLO_v2讲解

YOLO_v2讲解

文章目录 一：YOLO_v2的改进二：网络细节【BN层取代了Dropout】【高分辨率分类器】【Anchor思想】【K-means选定先验框】【预测坐标相对于Grid Cell的位置】【细粒度的特征】【多尺度训练】 三：损失函数四：YOLO_v2的不足 一&#xf…
阅读更多...
YOLOV2原理理解

YOLOV2原理理解

YOLOV2 一、YOLOV1的不足之处二、YOLOV2的改进论文精读AbstractIntroductionBetter(重点笔记)FasterStronger（非重点） 三、YOLOV2网络的输出输出结果解释输出图示 四、YOLOV2的LOSS函数五、Kmeans聚类——anchor box六、YOLOV2算法总结七、关于YOLOV2中a…
阅读更多...
【目标检测】单阶段算法--YOLOv2详解

【目标检测】单阶段算法--YOLOv2详解

论文题目：《YOLO9000: Better, Faster, Stronger》 论文地址：https://arxiv.org/pdf/1612.08242.pdf 一文读懂YOLOv1：YOLOv1 一文读懂YOLOv3：YOLOv3 一文读懂YOLOv4：YOLOv4 1. 前言 在前面的一篇文章中，我…
阅读更多...
yolov2详细讲解

yolov2详细讲解

yolov2详细讲解 概述 YOLO v1虽然检测速度快，但在定位方面不够准确，并且召回率较低。为了提升定位准确度，改善召回率，yolov2在yolov1的基础上提出了几种改进策略，如下图所示，一些改进方法能有效提高模型的…
阅读更多...
YOLO V2解析

YOLO V2解析

YOLO V2是YOLO系列的第二版，在YOLO V1的基础上加以改进，改善了YOLO V1定位不准的问题，又保证了检测的速度，可谓集准确性与速度于一身（YOLO V2获得了CVPR2017的最佳论文提名）。YOLO V2的原文提出了两个模型：YOLO V2和YOLO9000，本文主要着重YOLO V2，下面让我们一同走进Y…
阅读更多...
YOLOV2详解

YOLOV2详解

yolov2 YOLOv2论文中英文对照翻译_IT修炼家的博客-CSDN博客 YOLOv2 论文笔记Jesse_Mx的博客-CSDN博客yolov2论文 精读目标检测5——yolo2详解及其预测代码复现cv君的博客-CSDN博客yolo2 目标检测|YOLOv2原理与实现(附YOLOv3) - 知乎 (zhihu.com) YOLO v2 - ZhicongHou - 博客园…
阅读更多...
YOLO 超详细入门02 v2 （含代码及原文）

YOLO 超详细入门02 v2 （含代码及原文）

文章目录 前言背景总结一、YOLOv2改进之框架1.1 网络架构1.2 Batch Normalization 二、YOLOv2改进方法之尺寸相关2.1 High Resolution Classifier（高分辨率的分类器）原因步骤 2.2 Fine-Grained Features（细粒度特征）原因步骤 2.3 …
阅读更多...
深度学习目标检测_YOLOV2超详细解读

深度学习目标检测_YOLOV2超详细解读

文章目录 YOLO v2概述Batch Normalization（批归一化）High Resolution Classifier（高分辨率预训练分类网络）New Network：Darknet-19神经网络中的filter （滤波器）与kernel（内核&#x…
阅读更多...
【YOLO系列】YOLOv2论文超详细解读（翻译 ＋学习笔记）

【YOLO系列】YOLOv2论文超详细解读（翻译 ＋学习笔记）

前言 时隔一年，YOLOv2隆重登场，新的YOLO版本论文叫《YOLO9000: Better, Faster, Stronger》，作者 Joseph Redmon 和 Ali Farhadi 在 YOLOv1 的基础上，进行了大量改进，提出了 YOLOv2 和 YOLO9000，重点解决Y…
阅读更多...
训练Doc2Vec

训练Doc2Vec

将文本数据表示成list of list的形式： 对每一条文本进行分词操作，可能的话，去除停用词，加上自定义词等： 将分词后的文本转换为gensim所需要的形式： 训练Doc2Vec，其中参数dm1表示DM模型&#…
阅读更多...
Doc2vec计算文本相似度

Doc2vec计算文本相似度

1.Doc2vec模型介绍 Doc2Vec模型基于Word2vec模型，并在其基础上增加了一个段落向量。 以Doc2Vec的C-BOW方法为例。算法的主要思想在以下两个方面： 训练过程中新增了paragraph id，即训练语料中每个句子都有一个唯一的id。paragraph id和普通的…
阅读更多...
Doc2vec 简介及应用

Doc2vec 简介及应用

Doc2vec是基于Word2Vec方法，有两种训练方法，为Distributed Memory (DM) 和Distributed Bag of Words (DBOW)； Distributed Memory version of Paragraph Vector (PV-DM)方法与CBOW方法类似，Bag of Words version of Paragraph Vec…
阅读更多...
doc2vec java_Doc2Vec,Word2Vec文本相似度 初体验。

doc2vec java_Doc2Vec,Word2Vec文本相似度 初体验。

https://radimrehurek.com/gensim/models/word2vec.html 接上篇 ： import jieba all_list jieba.cut(xl[‘工作内容‘][0:6],cut_allTrue) print(all_list) every_one xl[‘工作内容‘].apply(lambda x:jieba.cut(x)) import traceback def filtered_punctuations…
阅读更多...
文本多分类之Doc2Vec实战篇

文本多分类之Doc2Vec实战篇

在我之前的几篇博客中，我介绍了两种文档向量化的表示方法,如Sklearn的CountVectorizer和TfidfTransformer，今天我们再来学习另外一种文档的向量化表示方法-Doc2Vec。如果你还不太了解Doc2Vec的话，我提供一些资料以便你可以对它有深入的了解: …
阅读更多...
推荐文章

Copyright @ 2022~2023