目录
[1.YOLO v3 网络介绍](#1.YOLO v3 网络介绍)
[（1）置信度损失（confidence loss）](#（1）置信度损失（confidence loss）)
1.YOLO v3 网络介绍
（1）网络结构
- 网络叫Darknet-53是因为有53个卷积层，右下角有计算
- 其中框起来的部分是残差结构，可以看出来整体Darknet-53的网络结构和残差网络区别不大，都是堆叠残差结构，但是Darknet-53中没有最大池化层（max pooling layer），所有的下采样都是通过卷积层(s=2)来实现的
- 每个Convolutional也是由卷积+BN+激活函数组成；残差结构如图。
（2）输入尺度3种
- YOLO v3选取了三种预测尺度（三种尺度的输出），每种尺度有对应的3种anchor。
（3）网络输出
- YOLO v3每个网格生成3个边界框，80个类别，所以最后的输出维度为 N×N×(3×(5+80))
- 上图是以YOLO v3 416模型进行绘制的，所以输入的尺寸是416x416，预测的三个特征层大小分别是13，26，52。
- 可以看到，13×13的特征图，先经过第一个Convolutional Set，一个分支是去输出第一个尺度（13×13）的预测结果；另一个分支是通过上采样 ，使宽高扩大两倍变为26×26，并和上面浅层网络26×26的特征图拼接 ，得到的特征图再去进行第二个尺度（26×26）的预测；同样的操作，进行第三个尺度（52×52）的预测。
（4）边界框预测
- 在 YOLO v2 中没有仔细将关于目标边界框预测的东西，这里详细讲一下。
- 和Faster RNN不同，YOLO v3的边界框预测不是相对于anchor，而是相对于每个网格的左上角的。
- 如上图，虚线框是anchor，蓝色框是我们最终预测的目标框，cx、cy是当前cell左上角的坐标。我们网络输出的四个参数tx，ty，tw，th，套入公式得到bx，by，bw，bh。
（5）正负样本的划分
-
每张图片中有几个目标就分配几个正样本。
-
划分原则：对于每个目标：<1>每个和目标重合程度最大的anchor作为正样本；<2>重合程度不是最大的anchor，但超过了设定阈值的，直接丢弃；<3>其余的作为负样本
-
上面是原论文中的划分方法，但是这种方法会使得样本数量太少，ultralytics版的划分方法更好一点：
-
ultralytics版中的划分方法是：针对每个目标每个预测特征层，将三个anchor和目标框左上角对齐，然后计算IOU，IOU大于设定阈值的anchor作为正样本（目标框中心落在哪个cell，就作为那个cell的正样本）。
-
2.损失计算
- 损失包含三部分：置信度损失，分类损失，定位损失
（1）置信度损失（confidence loss）
- 目标置信度可以理解为预测目标矩形框内存在目标的概率，目标置信度损失Lconf(o,c) ，其中oi∈{0,1}，表示预测目标边界框i中是否真实存在目标，0表示不存在，1表示存在。c^i表示预测目标矩形框i内是否存在目标的Sigmoid概率（将预测值ci通过sigmoid函数得到）。
（2）分类损失
- 目标类别损失Lcla(O,C)同样采用的是二值交叉熵损失（采用二值交叉熵损失的原因是，作者认为同一目标可同时归为多类，比如猫可归为猫类以及动物类，这样能够应对更加复杂的场景），注意论文中作者说了只有正样本才有目标类别损失。其中Oij∈{0,1},表示预测目标边界框i中是否真实存在第j类目标，0表示不存在，1表示存在。C^ij表示网络预测目标边界框i内存在第j类目标的Sigmoid概率（将预测值Cij通过sigmoid函数得到）。
（3）目标定位损失
- 目标定位损失采用的是（Sum of Squared Error Loss），注意只有正样本才有目标定位损失。( gx, gy , gw , gh ) 分别代表真实目标框中心点的坐标x, y以及宽度和高度（映射在Grid网格中的）。