ultralytics的yolov3源码解读（Pytorch）-网络结构1
前言
最近看了yolo系列的论文，并想着着手自己实现一下，由于目前实现yolo1和2的意义不大，直接从yolo3开始即可；于是找到了ultralytics的代码，在阅读的过程中发现有很多的细节，于是写下来，记录一下自己学习的历程；由于本人只是一个入门小白，如有错误，欢迎大家纠正赐教。
首先是代码地址：
我clone时候的时间是2021/11/24，以下所有的代码也都基于此。
个人认为理解yolov3代码应该主要从三个大方面入手，然后考虑再其他的细节
- 网络结构
- 损失函数
- 数据集的制作，加载读取
网络结构总览
网络上比较清晰明了的是这张图：
可以看出主要部分由DBL模块，ResUnit模块，resn模块，普通conv卷积构成。各个模块的构成图中也比较清晰，在此不再赘述。
粗略看一下
在ultralytics的代码中并没有直接写出，在代码中使用YAML文件来描述网络的结构（/models/yolov3.yaml），他的backbone描述如下
head描述如下
关于这些描述，简单的理解是每一行都是一个单独的模块，有四个变量from，number，module，args。这里先给出其粗略解释（后面会详细讲）：
- from：这个模块的输入数据从哪里来
- number：这个模块有几个
- module：这是一个什么样的模块
- args：构建这个模块的参数
我们可以看出在yolov3中存在有Conv，Bottleneck，nn.Upsample， Contact，Detect，这几个模块。那么如何与我们最初的那张网络结构图对应起来呢？
细看一下
我们从源码中找一下这几个模块的定义（model/common.py）
Conv
首先这个Conv区别于nn.Conv
作者将普通卷积层，BN层和激活函数层集成起来形成了Conv模块，其参数不难理解；参数p决定了这个模块卷积时的填充方式，act则决定了是否调用激活函数，如果为True那么使用SiLU，如果为False则不做任何处理，当然这里可以传入一些其他的module，那么就使结果经过这个模块计算后再返回。这个模块即可对应头图的DBL模块。
Bottleneck
这一个模块我初见它是在ResNet中，被称为瓶颈层，常常被用到比较深层的网络当中。这一部分可以参考其他博主的文章。
回到代码当中，作者写的bottleneck是这样的
如果shortcut为True并且输入和输出的通道数相等则将输入和经过两层Conv的的输出拼接起来。对应了头图中的ResUnit也就是残差块。
nn.Upsample
pytorch原生的上采样层，不多赘述。对应头图中的上采样
Contact
这个模块比较简单，和nn.cat并无太大区别。阅读源码读者应该能轻松理解：
其他
在头图中的模块resn就是Conv+Bottleneck*N，这样我们将yolov3网络会用到的模块几个捋过一遍了， 还有一点是没有讲到的，在网络的最后一层是有三个普通卷积层来detect的，在源码中作者将这个三个集成为一个Detect层。
总结+预告
本篇总体透过YAML看了yolov3的网络结构，将其对应到了一张网络结构图上，以及查看了几个模块的实现。下一篇我会写最后的Detect层的实现，yolov3是怎么组合这几个模块，这个YAML文件是如何解析，from，args的详细解释。
