YOLOv3设计了Darknet-53网络，对图像进行特征提取。 这是在以前YOLOv2使用的Darknet-19网络中添加的残差块。 原文：
weuseanewnetworkforperformingfeatureextraction.ournewnetworkisahybridapproachbetweenthenetworkusedinyolov 2，Darknet-19， andthatnewfangledresidualnetworkstuff.ournetworkusessuccessive 33 and11 convolutionallayersbutnowhassomeshortcutconnectiotion as53 convolutionallayerssowecallit…wait for it…darknet-53！
最后一句真有趣，哈哈。
Darknet-53的网络结构如下。
该网络共追加了五组残差结构。 粉红色标记为1，表示添加了残差块。 2表示使用两个残馀块的累积。 具体来说，这么多残差结构是如何嵌入网络的呢？
构建Darknet-53 def darknet 53 (pre trained，**kwargs ) :模型=darknet ([ 1，2，8，8，4 ] )是第一个darknet-53网络的
实例化的残差网络输入x的维数为[ 416，416，32 ]，第1次残差网络的结果为[ 208，208，64 ]
classdarknet(nn.module ) : def _ init _ (self，layers ) :#layers=[12884]super ) darknet，self(_init_ ) 32 ) self.conv1=nn.Conv2d(3) ) ) ) ) 652 bias=false (self.bn1=nn.batch norm 2d ) self.inplanes ) ) layers[0] ) defforward(self，x ) : # )网络中的残馀块结构# (416，416，3 )-) 416，416，32 ) x=self.conv1(x )
残馀网络函数定义def_make_layer(self，planes，blocks ) : layers=[] #被定义的CBAPD模块#经历CBA，卷积核大小为3*3，staste nn.conv2d ) self.inplanes，planes[1]，kernel_size=3，stride=2， padding=1nn.batch norm 2d (planes [1] ) ) ) layers.append )，nn.leakyrelu(0.1 ) ) ) for循环利用残差块self '.format(I )，basic block (self.in planes，planes ) ) ) return nn.return ' residual _ { } '.format (I )为输出方式，I=BasicBlock )是基本残差块，使用I的数量构建重叠的残差块的数量。 这里的for循环可以从以前的[ 1，2，8，8，4 ]中自动且迅速地生成对应数量的残差块。 基本残差块——基本残差块(基本残差块的模型如下。
classbasicblock(nn.module ) :def_init_(self，inplanes，planes ) :super ) basicblock，self ) _ )。 频道数为32 self.con v1=nn.conv 2d (in planes，planes[0]，kernel_size=1，stride=1， padding=0，bias=false (self.bn1=nn.batch norm 2d ) planes[1] ) self.relu1=nn.leakyrelu(0.1 ) #再次卷积padding=1，bias=False ) self.bn2=nn.batch norm 2d (planes [1] ) self.rel U2=nnn.batch norm 2d (planes (1) ) 208，32 ) residual=x# ) 208，208，32 )-) 208，208，32 ) out=self.conV1(x ) out=self.bn1 ) out=self.relf.relel 64 ) out=self.conV2(out ) out=self.bn2 ) out=self.relU2 ) out ) #残差累积# 65208，208，64 ) 208，208，64