对于部分场景简单，目标较大的图像可能并不需要darknet53这种深度的backbone网络也能检测出来，出于这样的目的，试验将darknet53替换为darknet19、resnet等，既减少了模型计算量，又加快了推理时间。
backbone网络对比：https://pjreddie.com/darknet/imagenet/
有各个网络的cfg以及在imagenet上的预训练模型。
1.替换backbone网络
以修改darknet19为例，截取convolutional filters1000之前的网络部分，替换掉yolov3中的darknet53部分。其中darknet53做了三次yolo层用于提取特征，每个yolo模块中有个route层，route层意义是将几个层的输出接到一块作为输出，几个层的输出大小要求一致。需要修改的地方，找到替换网络中的conv层与route选定的层输出大小一致。
替换resnet另外需要将 random=1改为 random=0。主要是旧版本的darknet当 random=1时resize存在问题。
2.在替换的网络上做fine-tuning
直接用下载的预训练模型做微调有个问题，训练一开始就结束了，并能保存出模型。原因是这些网络都是在imagenet上训练过，设置的迭代次数应该是远大于cfg中的max_batch或者其他参数，所以刚开始训练便达到了截止条件。不做fine-tuning，没有好的初始化又很难训练出好模型。
重新extract weights
./darknet partial cfg/darknet19.cfg darknet19.weights darknet19.conv.40 40提取1～39层darknent19的参数，设置的40大于darknet19的层数就可以。
得到的darknet19.conv.40可以做为修改的yolov3-darkent19网络的初始化模型。