YOLO網路結構詳解

一、YOLO網路結構圖

YOLO（You Only Look Once）是一種實時目標檢測的演算法，其最初由 Joseph Redmon 在2015年提出。

該演算法通過對輸入圖像進行單次前向傳遞，同時在圖像中預測邊界框和類別。這使得其在速度和準確率方面都有了巨大的提升。

下面是YOLO網路結構圖：

<img src="yolo_structure.jpg" alt="YOLO網路結構圖" />

二、OSI網路結構

OSI（Open Systems Interconnection）是ISO（International Organization for Standardization）組的一個標準，用於在計算機和通信系統之間定義一個框架。它定義了一個通用的通信介面，使得不同類型的計算機可以在同一網路上相互通信。

OSI模型由7層組成，分別是：

• 物理層
• 數據鏈路層
• 網路層
• 傳輸層
• 會話層
• 表示層
• 應用層

每一層都負責一個不同的方面，例如物理層處理物理傳輸介質，表示層和會話層協調不同計算機之間的通信。

三、YOLO網路結構詳解

YOLO網路結構由一個卷積神經網路（CNN）和一個全連接層組成。CNN用於提取圖像中的特徵，全連接層則將提取的特徵轉換成邊界框和類別概率。

YOLO的輸入圖像被分割成S×S個網格單元，每個單元預測B個邊界框和C個類別概率。每個單元負責預測邊界框是否包含一個物體，以及該物體屬於哪個類別。因此，YOLO總共預測了S×S×B個邊界框和S×S×C個類別概率。

下面是CNN部分的網路結構：

inputs = Input(shape=(416,416,3))
model = Conv2D(32, (3,3), strides=(1,1), padding='same', activation='relu')(inputs)
model = MaxPooling2D(pool_size=(2,2))(model)
model = Conv2D(64, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = MaxPooling2D(pool_size=(2,2))(model)
model = Conv2D(128, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(64, (1,1), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(128, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = MaxPooling2D(pool_size=(2,2))(model)
model = Conv2D(256, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(128, (1,1), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(256, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = MaxPooling2D(pool_size=(2,2))(model)
model = Conv2D(512, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(256, (1,1), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(512, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(256, (1,1), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(512, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(256, (1,1), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(512, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = MaxPooling2D(pool_size=(2,2))(model)
model = Conv2D(1024, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(512, (1,1), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(1024, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(512, (1,1), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(1024, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(1024, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = Conv2D(1024, (3,3), strides=(1,1), padding='same', activation='relu')(model)
model = Flatten()(model)
model = Dense(4096, activation='relu')(model)
model = Dropout(0.5)(model)
model = Dense(1470, activation='sigmoid')(model)
model = Reshape((7,7,30))(model)
model = Lambda(lambda x: x[:,:,:,0:20], output_shape=(7,7,20))(model)

model = Model(inputs, model, name='YOLO') 

四、YOLO網路結構模型分為

YOLO網路結構模型包括YOLOv1、YOLOv2、YOLOv3和YOLOv4。

YOLOv1是YOLO的初始版本，它使用GoogleNet作為其CNN主幹。後續的YOLO版本則採用了更先進的卷積神經網路，例如Darknet-19和Darknet-53。

YOLOv2在YOLOv1的基礎上添加了一些新的功能，例如錨點框和多尺度訓練。這些改進使得YOLOv2在精度和速度方面都有了很大的提升。

YOLOv3在YOLOv2的基礎上增加了一些新的功能，例如跨層連接和特徵金字塔網路，這使得其在速度和準確率方面更加出色。

YOLOv4則利用了更加先進的技術，例如CSP連接、SAM模塊和SPP模塊，進一步提高了其性能。

五、YOLOv5網路結構詳解

YOLOv5是YOLO的最新版本，在YOLOv4的基礎上進一步優化了網路結構，使其在速度和準確率方面都有了很大的提升。

YOLOv5使用CSPDarknet為其CNN主幹，並使用FPN（Feature Pyramid Network）代替了以往的特徵金字塔網路。此外，YOLOv5還採用了越來越流行的Swish激活函數，取代了以往的ReLU激活函數。

六、代碼示例

下面是使用Keras實現的YOLOv3代碼示例：

#Define the model
inputs = Input(shape=(416,416,3))

#Darknet-53 CNN模型
model = Darknet(name = None)(inputs)
...
...
#輸出
model = Model(inputs, yolov3_out_boxes_and_scores)

#載入權重
model.load_weights('model.h5') 

對於YOLOv5，可以使用ultralytics/yolov5庫。下面是一個使用yolov5庫進行目標檢測的示例：

import torch 
from PIL import Image 

model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True) 

img = Image.open('test.jpg') #打開圖片 
results = model(img) #輸入圖片進行檢測 
results.print() #輸出檢測結果