Darknet网络代码
Darknet网络代码
import math
from collections import OrderedDict
import torch
import torch.nn as nn
import torch.nn.functional as F
class Mish(nn.Module):
def __init__(self):
super(Mish, self).__init__()
def forward(self, x):
x = x * torch.tanh(F.softmax(x))
# F.softmax(x) = ln(1+e^x)
# tanh(x) = (e^x-e^(-x))/(e^x+e^(-x))
return x
# 卷积+归一化+激活
class CB(nn.Module):
def __init__(self, in_channels, out_channels, kernel_size, stride=1):
super(CB, self).__init__()
self.conv = nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=kernel_size, stride=stride, padding=kernel_size // 2, bias=False)
self.bn = nn.BatchNorm2d(out_channels)
self.activation = Mish()
def forward(self, x):
x = self.conv(x)
x = self.bn(x)
x = self.activation(x)
return x
class Resblock(nn.Module):
def __init__(self, channels, hidden_channels=None):
super(Resblock, self).__init__()
if hidden_channels is None:
hidden_channels = channels
self.resblock = nn.Sequential(
nn.Conv2d(in_channels = channels, out_channels= hidden_channels, kernel_size=1),
nn.Conv2d(in_channels=hidden_channels, out_channels=channels, kernel_size=3, padding=1)
)
def forward(self, x):
x = x + self.resblock(x)
return x
class Resblock_body(nn.Module):
def __init__(self, in_channels, out_channels, num_blocks, first):
super(Resblock_body, self).__init__()
self.downsample_conv = CB(in_channels=in_channels, out_channels=out_channels, kernel_size=3, stride=2)
if first:
self.split_conv0 = CB(in_channels=out_channels, out_channels=out_channels, kernel_size=1)
self.split_conv1 = CB(in_channels=out_channels, out_channels=out_channels, kernel_size=1)
self.blocks_conv = nn.Sequential(
Resblock(channels=out_channels, hidden_channels=out_channels//2),
CB(in_channels=out_channels, out_channels=out_channels, kernel_size=1)
)
self.concat_conv = CB(in_channels=out_channels * 2, out_channels=out_channels, kernel_size=1)
else:
self.split_conv0 = CB(in_channels=out_channels, out_channels=out_channels // 2, kernel_size=1)
self.split_conv1 = CB(in_channels=out_channels, out_channels=out_channels // 2, kernel_size=1)
self.blocks_conv = nn.Sequential(
*[Resblock(out_channels // 2) for _ in range(num_blocks)],
CB(in_channels=out_channels // 2, out_channels=out_channels // 2, kernel_size=1)
)
self.concat_conv = CB(in_channels=out_channels, out_channels=out_channels, kernel_size=1)
def forward(self, x):
x = self.downsample_conv(x)
x0 = self.split_conv0(x)
x1 = self.split_conv1(x)
x1 = self.blocks_conv(x1)
x = torch.cat([x0, x1], dim=1)
x = self.concat_conv(x)
return x
class CspDarknet(nn.Module):
def __init__(self, layers):
super(CspDarknet, self).__init__()
self.inplanes = 32
self.conv1 = CB(in_channels = 3, out_channels=self.inplanes, kernel_size=3, stride=1)
self.feature_channels = [64, 128, 256, 512, 1024]
self.stages =nn.ModuleList
self.stages = nn.ModuleList([
# 416,416,32 -> 208,208,64
Resblock_body(in_channels=self.inplanes, out_channels=self.feature_channels[0], num_blocks=layers[0], first=True),
# 208,208,64 -> 104,104,128
Resblock_body(in_channels=self.feature_channels[0], out_channels=self.feature_channels[1], num_blocks=layers[1], first=False),
# 104,104,128 -> 52,52,256
Resblock_body(in_channels=self.feature_channels[1], out_channels=self.feature_channels[2], num_blocks=layers[2], first=False),
# 52,52,256 -> 26,26,512
Resblock_body(in_channels=self.feature_channels[2], out_channels=self.feature_channels[3], num_blocks=layers[3], first=False),
# 26,26,512 -> 13,13,1024
Resblock_body(in_channels=self.feature_channels[3], out_channels=self.feature_channels[4], num_blocks=layers[4], first=False)
])
self.num_features=1
for m in self.modules():
if isinstance(m, nn.Conv2d):
n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
m.weight.data.normal_(0, math.sqrt(2. / n))
elif isinstance(m, nn.BatchNorm2d):
m.weight.data.fill_(1)
m.bias.data.zero_()
def forward(self, x):
x = self.conv1(x)
x = self.stages[0](x)
x = self.stages[1](x)
out3 = self.stages[2](x)
out4 = self.stages[3](out3)
out5 = self.stages[4](out4)
return out3, out4, out5
def darknet53(pretrained):
model = CspDarknet([1, 2, 8, 8, 4])
if pretrained:
model.load_state_dict(torch.load("D:/finishi_project/model_data/CSPdarknet53_backbone_weights.pth"))
return model
# from torchsummary import summary
# dar = darknet53(False)
# device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
# summary(dar, input_size=(3, 416, 416))
代码没有注释,欢迎留言共同讨论,顺便给个关注,感谢。
Darknet网络代码的更多相关文章
- 学习构建调试Linux内核网络代码的环境MenuOS系统
构建调试Linux内核网络代码的环境MenuOS系统 一.前言 这是网络程序设计的第三次实验,主要是学习自己编译linux内核,构建一个具有简易功能的操作系统,同时在系统上面进行调试linux内核网络 ...
- team foundation server——网络代码管理工具
像我们平时有时会莫名的弹出一个如下图所示的提示框,这个是什么呢?这个就是有人用team foundation server进行过代码管理的项目 那么team foundation server到底是什 ...
- 修复Microsoft Store 无法连接网络 代码: 0x80072EFD
事情的经过是这样的,我的Windows版本是1709,前两天刚从1703升上来,今天突然发现它自己给我装了个skype,我上Microsoft商店里查一下是什么情况,结果突然发现它又双双双不正常工作了 ...
- h5 网络断网时,返回上一个页面 demo (与检测网络代码相结合,更直观看到结果)
页面一: <!DOCTYPE html><html lang="en"><head> <meta charset="UTF-8& ...
- 构建调试Linux内核网络代码的环境MenuOS系统
构建MenuOS系统 1.将指定文件拷贝到本地: git clone https://github.com/mengning/linuxnet.git 此过程可能需要输入github账号和密码. 2. ...
- Git学习:利用Git和TortoiseGit把代码传输到网络服务器
版本控制这块,一直用SVN.感觉挺好用,比VSS要好用些.不过,近期在网上,又谈到时下很流行的Git.就想看看Git到底是何方神圣.趁着五一在家无事,就静下心来,简单研究一下. 当下,网络上提供的基于 ...
- 第二十四节,TensorFlow下slim库函数的使用以及使用VGG网络进行预训练、迁移学习(附代码)
在介绍这一节之前,需要你对slim模型库有一些基本了解,具体可以参考第二十二节,TensorFlow中的图片分类模型库slim的使用.数据集处理,这一节我们会详细介绍slim模型库下面的一些函数的使用 ...
- 目标检测网络之 YOLOv2
YOLOv1基本思想 YOLO将输入图像分成SxS个格子,若某个物体 Ground truth 的中心位置的坐标落入到某个格子,那么这个格子就负责检测出这个物体. 每个格子预测B个bounding b ...
- c 网络与套接字socket
我们已经知道如何使用I/O与文件通信,还知道了如何让同一计算机上的两个进程进行通信,这篇文章将创建具有服务器和客户端功能的程序 互联网中大部分的底层网络代码都是用C语言写的. 网络程序通常有两部分组成 ...
- Linux就这个范儿 第11章 独霸网络的蜘蛛神功
Linux就这个范儿 第11章 独霸网络的蜘蛛神功 第11章 应用层 (Application):网络服务与最终用户的一个接口.协议有:HTTP FTP TFTP SMTP SNMP DNS表示层 ...
随机推荐
- [AI-ML]机器学习是什么?一起了解!(一)
机器学习 简单的说,机器学习是一种让计算机系统从数据中学习并自动改进的算法.通俗地说,机器学习就是让计算机从数据中"学习",并使用这些学习成果来做出决策或预测. 学术解释中,机器学 ...
- 达标式减量策略又一例证(STRASS研究)
标签: 类风湿关节炎; T2T策略; TNF抑制剂; 药物减停; STRASS研究 达标式减量策略又一例证(STRASS研究): RA维持期个体化减停TNF拮抗剂是可能的 电邮发布日期: 2016年1 ...
- keep-alive详解
1.什么是keep-alive? keep-alive 是 Vue 的内置组件,当它包裹动态组件时,会缓存不活动的组件实例,而不是销毁它们.keep-alive 是一个抽象组件:它自身不会渲染成一个 ...
- 代码随想录-day1
链表 今天主要是把链表专题刷完了,链表专题的题目不是很难,基本都是考察对链表的操作的理解. 在处理链表问题的时候,我们通常会引入一个哨兵节点(dummy),dummy节点指向原链表的头结点.这样,当我 ...
- C#窗体控件,文字随电脑分辨率自动调整大小
一.在类中添加方法,代码如下: #region 窗体控件.字体随分辨率调整,自动调整大小 public static void SetTag(Control cons) { foreach (Cont ...
- 【FPGA学习】MATLAB与FPGA实现FIR滤波器
本篇博客记录一下在matlab设计和在FPGA平台实现FIR滤波器的方法,平台是Xilinx的ZYNQ 参考: AMBA AXI-Stream Protocol Specification 使用mat ...
- LP1-5:常见BUG
一般常见的错误放在通用的代码里.错误判断就是if/else,太多影响性能,接口只需要加入必要的判断就好.
- Parsing error: missing-whitespace-between-attributes
给如下位置添加空格即可 在文件末尾添加一空白行即可
- CodeGym自学笔记04——什么是编译器?
编译器 编程语言可以同时被人和编译器所理解.编译器是一个特殊的程序,它可将用编程语言编写的程序转换成一系列的机器代码. 程序员通常用编程语言来编写程序,然后运行编译器,将程序员编写的程序代码文件转换为 ...
- python 日志分割器 大文本处理
import math i=0 filename='' write='' Rline = '' def writeFile(fileName,line): global filename global ...