YOLOv2에서 직접 따라간 구현 흐름과 코드 증거를 다시 볼 수 있게 정리한 DL 학습 기록입니다. 본문은 실험의 큰 흐름을 먼저 훑고, import torch, model = YOLOv2(num_cl…, class YOLOv2Loss(nn.M… 같은 코드로 실제 구현을 이어서 확인할 수 있습니다. md 원본과 6개 코드 블록, 5개 실행 셀을 함께 남겨 구현 흐름을 다시 따라갈 수 있게 정리했습니다. 주요 스택은 torch, torchinfo입니다.

빠르게 볼 수 있는 포인트: Space-to-Depth 변환 (passthrough 연결), YOLOv2 전체 모델 (Darknet-19 + passthrough…, Darknet-19 Backbone (YOLOv2의 기반 네트워크).

남겨둔 자료: md 원본과 6개 코드 블록, 5개 실행 셀을 함께 남겨 구현 흐름을 다시 따라갈 수 있게 정리했습니다. 주요 스택은 torch, torchinfo입니다.

주요 스택: torch, torchinfo

Snapshot

Item Value
Track DL
Type Archive Note
Source Files md
Code Blocks 6
Execution Cells 5
Libraries torch, torchinfo
Source Note 6-4_YOLOv2

What This Note Covers

  • Space-to-Depth 변환 (passthrough 연결)
  • YOLOv2 전체 모델 (Darknet-19 + passthrough + detectio…
  • Darknet-19 Backbone (YOLOv2의 기반 네트워크)
  • 모델 요약 정보 출력 (배치 크기 1, 입력 크기 3x416x416)

Why This Matters

표현 학습과 학습 루프

  • 왜 필요한가: 딥러닝은 모델 구조만 보는 것이 아니라 입력 텐서, 손실, optimizer가 함께 어떻게 맞물리는지 이해해야 합니다.
  • 왜 이 방식을 쓰는가: 그래서 이 아카이브는 모델 정의뿐 아니라 DataLoader와 학습 루프 코드를 같이 남기는 쪽으로 정리했습니다.
  • 원리: 입력이 층을 통과하며 표현으로 바뀌고, 손실의 기울기가 역전파되어 가중치가 조금씩 조정되는 구조입니다.

Implementation Flow

  1. Key Step: Space-to-Depth 변환 (passthrough 연결)
  2. Key Step: Darknet-19 Backbone (YOLOv2의 기반 네트워크)
  3. Key Step: YOLOv2 전체 모델 (Darknet-19 + passthrough + detection head)
  4. Key Step: 모델 요약 정보 출력 (배치 크기 1, 입력 크기 3x416x416)

Code Highlights

import torch

import torch는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 Space-to-Depth 변환 (passthrough 연결), x: [batch, C, H, W], Darknet-19 Backbone (YOLOv2의 기반 네트워크) 흐름이 주석과 함께 드러납니다.

import torch
import torch.nn as nn
import torch.nn.functional as F

# Space-to-Depth 변환 (passthrough 연결)
class SpaceToDepth(nn.Module):
    def __init__(self, block_size):
        super(SpaceToDepth, self).__init__()
        self.block_size = block_size

    def forward(self, x):
        # x: [batch, C, H, W]
        batch, channels, height, width = x.size()
        new_h = height // self.block_size
        new_w = width // self.block_size
        x = x.view(batch, channels, new_h, self.block_size, new_w, self.block_size)
        x = x.permute(0, 3, 5, 1, 2, 4).contiguous()
        x = x.view(batch, channels * (self.block_size ** 2), new_h, new_w)
        return x

# Darknet-19 Backbone (YOLOv2의 기반 네트워크)
class Darknet19(nn.Module):
    def __init__(self):
        super(Darknet19, self).__init__()
        # Layer1: 416x416 -> 208x208
        self.layer1 = nn.Sequential(
            nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1, bias=False),
            nn.BatchNorm2d(32),
# ... trimmed ...

model = YOLOv2(num_classes=20, num_anchors=5)

model = YOLOv2(num_classes=20, num_anchors=5)는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 원본 노트에서 구현 흐름을 가장 잘 보여주는 핵심 코드 중 하나입니다.

model = YOLOv2(num_classes=20, num_anchors=5)
x = torch.randn(1, 3, 416, 416)
output = model(x)
print(output.shape)  # 예상: [1, num_anchors*(5+num_classes), 13, 13]

class YOLOv2Loss(nn.Module)

class YOLOv2Loss(nn.Module)는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 predictions를 (batch, grid_h, grid_w, A, 5+num_cla…, prediction shape: (batch, grid_h, grid_w, A, 5+nu…, 예측값 분리 및 활성화 함수 적용 흐름이 주석과 함께 드러납니다.

class YOLOv2Loss(nn.Module):
    def __init__(self, anchors, num_classes, img_size, lambda_coord=5, lambda_noobj=0.5):
        """
        anchors: [(w, h), ...] 원본 이미지 기준 앵커 박스 크기
        num_classes: 클래스 수
        img_size: 입력 이미지의 크기 (정방형, 예: 416)
        lambda_coord: 좌표 손실 가중치
        lambda_noobj: 물체가 없는 경우의 confidence 손실 가중치
        """
        super(YOLOv2Loss, self).__init__()
        self.anchors = anchors
        self.num_anchors = len(anchors)
        self.num_classes = num_classes
        self.img_size = img_size
        self.lambda_coord = lambda_coord
        self.lambda_noobj = lambda_noobj

    def forward(self, predictions, target):
        """
        predictions: (batch, A*(5+num_classes), grid_h, grid_w)
        target: (batch, grid_h, grid_w, A, 5+num_classes)
          - target[..., 0:4]: 정규화된 box 좌표 (center_x, center_y, w, h)
          - target[..., 4]: 객체 존재 여부 (1 또는 0)
          - target[..., 5:]: one-hot 인코딩된 클래스 벡터

        **주의:** 실제 YOLOv2는 ground truth를 앵커별로 할당하는 전처리 과정이 필요합니다.
        여기서는 target이 이미 해당 형식으로 준비되었다고 가정합니다.
        """
# ... trimmed ...

Code Highlight

원본 노트에서 구현 흐름을 가장 잘 보여주는 핵심 코드 중 하나입니다.

Source Bundle

  • Source path: 12_Deep_Learning/Code_Snippets/6-4_YOLOv2.md
  • Source formats: md
  • Companion files: 6-4_YOLOv2.md
  • Note type: code-note
  • Last updated in the source vault: 2026-03-08T03:33:14
  • Related notes: 12_Deep_Learning_Code_Summary.md
  • External references: localhost

Note Preview

원본 노트에 별도 설명 문단이 많지 않아 코드 중심으로 보존했습니다.