yolov5输出大中小map

YOLOv7 模型输出的是三个不同尺度的 feature map，分别称为 large、medium 和 small。 large map 是最底层的 feature map，它的分辨率最高，但感受野最小。medium map 的分辨率比 large map 低一些，但感受野更大一些。small map 的分辨率最低，但感受野最大。 这种多尺度的设计有助于 YOLOv7 在检测不同大小的目标时具备更好的性能。通过使用这些不同尺度的 feature map，YOLOv7 可以在不同层级上捕捉到目标的细节和上下文信息。

### 解析 YOLOv3 的输出结果 YOLOv3 是一种基于卷积神经网络的目标检测算法，其输出由三个不同尺度的张量组成。这些张量对应于输入图像的不同分辨率版本，从而能够更好地捕捉大中小目标的信息[^2]。 #### 1. 输出结构 YOLOv3 的输出是由三个不同的特征图组成的，它们分别表示输入图像经过 **8 倍、16 倍 和 32 倍 下采样**后的结果。假设输入图像大小为 \(416 \times 416\)： - 对应的下采样比例分别为： - 尺度 1 (S=32): 特征图为 \(13 \times 13\) - 尺度 2 (S=16): 特征图为 \(26 \times 26\) - 尺度 3 (S=8): 特征图为 \(52 \times 52\) 对于每个网格单元格（cell），模型会预测多个边界框及其置信度分数和类别概率。如果设定锚点数量为 3，则每个特征图中的单个 cell 预测 3 个边界框[^2]。 因此，总的输出形状可以表示为： \[ B = S \times S \times (A \cdot (C + 5)) \] 其中： - \(B\) 表示最终的输出维度； - \(S\) 表示特征图的空间尺寸 (\(13, 26,\ 或者\ 52\)); - \(A\) 表示每种尺度使用的先验框（anchor box）的数量，默认为 3; - \(C\) 表示类别的总数加背景类； - 数字 5 来源于边界的坐标信息（\(x, y, w, h\) 及对象得分）。 具体来说，对于每一层输出 tensor 形状如下所示： ```python output_shape_1 = (batch_size, num_anchors * (num_classes + 5), grid_height, grid_width) ``` #### 2. 边界框解析 每一个边界框都包含了五个主要属性：中心位置偏移量(\(t_x, t_y)\)，宽度高度缩放因子(\(t_w, t_h)\)以及存在目标的概率估计值(objectness score)。 实际应用时，需要利用预设好的 anchor boxes 转换成真实的 bounding box 参数形式： \[ b_x = σ(t_x) + c_x \] \[ b_y = σ(t_y) + c_y \] \[ b_w = p_w e^{t_w} \] \[ b_h = p_h e^{t_h} \] 此处： - \(σ()\) 函数代表 sigmoid 激活函数； - \(c_x, c_y\) 则指代当前网格左上角坐标的整数值； - \(p_w, p_h\) 即为预先定义好 anchors 宽高向量的一部分； #### 3. 类别预测 除了定位外，还需要判断所包围区域内属于哪一类物体。这是通过 softmax 层完成多分类任务实现的，在最后一个全连接层之前加入额外分支专门负责此类工作[^2]。 #### 4. 后处理阶段 得到原始预测之后还需经历一系列操作才能获得最终可读的结果，比如 NMS(non-maximum suppression)去重等步骤确保不会重复标记同一实体多次[^1]。 --- ### 示例代码展示如何提取并解释 YOLO v3 结果 以下是 Python 中使用 PyTorch 实现的部分逻辑片段，演示了从模型获取输出后对其进行基本解析的过程: ```python import torch from torchvision import transforms def parse_yolo_output(output, anchors, input_dim, num_classes): """ Parse the raw output of a single scale from YOLOv3. Args: output (Tensor): Raw model prediction. anchors (list[tuple]): List of tuples representing anchor dimensions per feature map. input_dim (int): Dimension size of network's input image. num_classes (int): Number of object classes to predict. Returns: Tensor: Processed predictions with shape [grid_rows*grid_cols*num_anchors, bbox_info]. """ batch_size, _, height, width = output.shape stride = input_dim // height # Reshape and apply activation functions where necessary... return processed_preds if __name__ == "__main__": dummy_input = torch.randn((1, 3, 416, 416)) yolov3_model = ... # Load pretrained weights here... outputs = yolov3_model(dummy_input) parsed_results = [] for i, out in enumerate(outputs): result = parse_yolo_output(out, ANCHORS[i], INPUT_DIMENSION, NUM_CLASSES) parsed_results.append(result) print(parsed_results) ``` ---