YOLO v2 Net

data · Data
transform param
crop size: 416
mirror: true
data param
source: PASCAL VOC 2007 train + 2012 train & test
batch size: 32
blob shapes
data: [ 1, 3, 416, 416 ]
label: [ 1 ]
activation: leakyrelu
輸入圖片大小: 416x416
輸入圖片數量: 3
模型: Convolution
層數: 0
輸出數量: 32
每次移動: 1
權重大小: 3x3
輸出圖片大小: 416x416
輸入圖片大小: 416x416
輸入圖片數量: 32
模型: MaxPool
層數: 1
輸出數量: 32
每次移動: 2
權重大小: 2x2
輸出圖片大小: 208x208
輸入圖片大小: 208x208
輸入圖片數量: 32
模型: Convolution
層數: 2
輸出數量: 64
每次移動: 1
權重大小: 3x3
輸出圖片大小: 208x208
輸入圖片大小: 208x208
輸入圖片數量: 64
模型: MaxPool
層數: 3
輸出數量: 64
每次移動: 2
權重大小: 2x2
輸出圖片大小: 104x104
輸入圖片大小: 104x104
輸入圖片數量: 64
模型: Convolution
層數: 4
輸出數量: 128
每次移動: 1
權重大小: 3x3
輸出圖片大小: 104x104
輸入圖片大小: 104x104
輸入圖片數量: 64
模型: Convolution
層數: 5
輸出數量: 64
每次移動: 1
權重大小: 3x3
輸出圖片大小: 104x104
輸入圖片大小: 104x104
輸入圖片數量: 64
模型: Convolution
層數: 6
輸出數量: 128
每次移動: 1
權重大小: 3x3
輸出圖片大小: 104x104
輸入圖片大小: 104x104
輸入圖片數量: 128
模型: MaxPool
層數: 7
輸出數量: 128
每次移動: 2
權重大小: 2x2
輸出圖片大小: 52x52
輸入圖片大小: 52x52
輸入圖片數量: 128
模型: Convolution
層數: 8
輸出數量: 256
每次移動: 1
權重大小: 3x3
輸出圖片大小: 52x52
輸入圖片大小: 52x52
輸入圖片數量: 256
模型: Convolution
層數: 9
輸出數量: 128
每次移動: 1
權重大小: 3x3
輸出圖片大小: 52x52
輸入圖片大小: 52x52
輸入圖片數量: 128
模型: Convolution
層數: 10
輸出數量: 256
每次移動: 1
權重大小: 3x3
輸出圖片大小: 52x52
輸入圖片大小: 52x52
輸入圖片數量: 256
模型: MaxPool
層數: 11
輸出數量: 256
每次移動: 2
權重大小: 2x2
輸出圖片大小: 26x26
輸入圖片大小: 26x26
輸入圖片數量: 256
模型: Convolution
層數: 12
輸出數量: 512
每次移動: 1
權重大小: 3x3
輸出圖片大小: 26x26
輸入圖片大小: 26x26
輸入圖片數量: 512
模型: Convolution
層數: 13
輸出數量: 256
每次移動: 1
權重大小: 3x3
輸出圖片大小: 26x26
輸入圖片大小: 26x26
輸入圖片數量: 256
模型: Convolution
層數: 14
輸出數量: 512
每次移動: 1
權重大小: 3x3
輸出圖片大小: 26x26
輸入圖片大小: 26x26
輸入圖片數量: 512
模型: Convolution
層數: 15
輸出數量: 256
每次移動: 1
權重大小: 3x3
輸出圖片大小: 26x26
輸入圖片大小: 26x26
輸入圖片數量: 256
模型: Convolution
層數: 16
輸出數量: 512
每次移動: 1
權重大小: 3x3
輸出圖片大小: 26x26
輸入圖片大小: 26x26
輸入圖片數量: 512
模型: MaxPool
層數: 17
輸出數量: 512
每次移動: 2
權重大小: 2x2
輸出圖片大小: 13x13
輸入圖片大小: 13x13
輸入圖片數量: 512
模型: Convolution
層數: 18
輸出數量: 1024
每次移動: 1
權重大小: 3x3
輸出圖片大小: 13x13
輸入圖片大小: 13x13
輸入圖片數量: 1024
模型: Convolution
層數: 19
輸出數量: 512
每次移動: 1
權重大小: 3x3
輸出圖片大小: 13x13
輸入圖片大小: 13x13
輸入圖片數量: 512
模型: Convolution
層數: 20
輸出數量: 1024
每次移動: 1
權重大小: 3x3
輸出圖片大小: 13x13
輸入圖片大小: 13x13
輸入圖片數量: 1024
模型: Convolution
層數: 21
輸出數量: 512
每次移動: 1
權重大小: 3x3
輸出圖片大小: 13x13
輸入圖片大小: 13x13
輸入圖片數量: 512
模型: Convolution
層數: 22
輸出數量: 1024
每次移動: 1
權重大小: 3x3
輸出圖片大小: 13x13
輸入圖片大小: 13x13
輸入圖片數量: 1024
模型: Convolution
層數: 23
輸出數量: 1024
每次移動: 1
權重大小: 3x3
輸出圖片大小: 13x13
輸入圖片大小: 13x13
輸入圖片數量: 1024
模型: Convolution
層數: 24
輸出數量: 1024
每次移動: 1
權重大小: 3x3
輸出圖片大小: 13x13
層數: 25
讀取第16層輸出結果
輸入圖片大小: 26x26
輸入圖片數量: 512
模型: Convolution
層數: 26
輸出數量: 64
權重大小: 3x3
輸出圖片大小: 26x26
輸入圖片大小: 26x26
輸入圖片數量: 64
模型: Reorganization
層數: 27
輸出數量: 256
輸出圖片大小: 13x13
模型: concat 合併
合併層數: 27 24
層數: 28
輸入圖片大小: 13x13
輸入圖片數量: 1280
模型: Convolution
層數: 29
輸出數量: 1024
每次移動: 1
權重大小: 3x3
輸出圖片大小: 13x13
輸入圖片大小: 13x13
輸入圖片數量: 1024
模型: Convolution
層數: 30
輸出數量: 1024
每次移動: 1
權重大小: 3x3
輸出圖片大小: 13x13
Region ·Region
偵測結果
Layer Type Filters Size/Stride Output size
0 Convolutional 32 3x3/1 416x416
1 Maxpool 2x2/2 208x208
2 Convolutional 64 3x3/1 208x208
3 Maxpool 2x2/2 104x104
4 Convolutional 128 3x3/1 104x104
5 Convolutional 64 3x3/1 104x104
6 Convolutional 128 3x3/1 104x104
7 Maxpool 2x2/2 52x52
8 Convolutional 256 3x3/1 52x52
9 Convolutional 128 1x1/1 52x52
10 Convolutional 256 3x3/1 52x52
11 Maxpool 2x2/2 26x26
12 Convolutional 512 3x3/1 26x26
13 Convolutional 256 3x3/1 26x26
14 Convolutional 512 3x3/1 26x26
15 Convolutional 256 1x1/1 26x26
16 Convolutional 512 3x3/1 26x26
17 Maxpool 2x2/2 13x13
18 Convolutional 1024 3x3/1 13x13
19 Convolutional 512 1x1/1 13x13
20 Convolutional 1024 3x3/1 13x13
21 Convolutional 512 1x1/1 13x13
22 Convolutional 1024 3x3/1 13x13
23 Convolutional 1024 3x3/1 13x13
24 Convolutional 1024 3x3/1 13x13
25 Route 16
26 Convolutional 64 1x1/1 26x26
27 Reorg /2 13x13
28 Route 27 24
29 Convolutional 1024 3x3/1 13x13
30 Convolutional 425 1x1/1 13x13
31 Detection

原圖

結果

第0層卷積結果