Darknet 輸出網絡結構詳解

先來張圖

1、各列說明

1. layer

這一列顧名思義，是層名稱。
數字是層編號，後面是層名稱。
conv：卷積層。
res：shortcut層（跨層鏈接，借鑑 resnet 而來，因此用res表示）
yolo：YOLO層。
route：融合層，就是把層進行合併，而後輸出到下一層。（後面再仔細講）
upsample：上採樣層。

2. filters

這是對於 conv 來講的，表明過濾器的通道數，和後面 output 的通道數是一致的。
（上述的過濾器和常說的卷積核是同樣的東西，就是卷積運算的那個動函數）
這一列中對應非 conv 層的數字在後面講解各層時再說明。

3. size

這一列和 filters 同樣，也是隻對於 conv 來講的，表明過濾器的大小和步長。
如：3 x 3 / 1，表明過濾器大小爲 3*3，步長爲 1。

4. input

這一層的輸入，416 x 416 x 3，表明輸入大小爲 416 x 416，通道數爲 3。

5. output

這一層的輸出，416 x 416 x 32，表明輸入大小爲 416 x 416，通道數爲 32。

6. 最後一列

某次卷積運算須要多少個十億次浮點運算，其全稱是 billion float operations，將屢次卷積運算所耗費的BLOPS加起來就能夠表示某個算法模型的時間複雜度。 總之，就是衡量這層卷積的性能的指標，能夠看到只有 conv 層後面纔有這個參數。 參考1 、參考2
（2020.8.22）

2、各行說明

1. conv

卷積層， 用過濾器（卷積核）對輸入作卷積。

2. res

shortcut 層，是卷積的跨層鏈接，本層的輸入與輸出通常保持一致，而且不進行其餘操做，只是求差。
後面的數字表明把那一層的輸出做爲本層的輸入，以下圖:

3. yolo

作 yolo 運算，還不太明白，再補。

4. route

融合層，就是把層進行合併，而後輸出到下一層。 如11層，表明將第9層與第3層的輸出相加，做爲本層的輸出，即下一層的輸入。
相加規則爲：如第3層的輸出爲208 x 208 x 64，第9層的輸出爲208 x 208 x 256，則本層輸出爲208 x 208 x (64+256) 即 208 x 208 x 320，因此route的兩層的 weight 和 height 必須相等，若不相等，則本層輸出爲 0 x 0 x 0，下一層得不到有效輸入，就會報 Layer before convolutional must output image. 而後中止。

5. upsample

上採樣層，如第10層，後面的 2x，是2倍上採樣的意思。