1 多任务损失函数设计
YOLOv3 是一个单阶段、多尺度、多任务的目标检测器。其训练目标可分解为三个子任务：
总损失函数为三者的加权和：
其中权重 λ通常来自超参数配置（如 hyp.scratch.yaml 中 box=0.05, obj=1.0, cls=0.5）。
2 损失函数（复合损失）
YOLOv3 的总损失由三部分加权组成：
(1)边界框坐标损失（Location Loss）
早期版本用 MSE，后续改进常用 CIoU Loss 或 GIoU Loss；
考虑重叠面积、中心点距离、宽高比，提升定位精度。
(2) 置信度损失（Confidence Loss）
对有目标的框（正样本）和无目标的框（负样本）分别计算；
使用 二元交叉熵（BCE）；
可引入 Focal Loss 缓解正负样本不平衡。
(3)分类损失（Classification Loss）
对每个预测框，独立计算 80 个类别的 BCE；
使用 sigmoid 而非 softmax，支持多标签（如"猫"和"动物"可同时为真）。
注意：只有 负责预测某真实目标的锚框 才参与分类和坐标损失计算（基于 IoU 最大匹配原则）。
3 多尺度输出与损失分配
YOLOv3 通过 FPN 结构输出 3 个尺度的特征图：
P3/8: 8倍下采样 → 52×52特征图 → 检测小目标
P4/16: 16倍下采样 → 26×26特征图 → 检测中目标
P5/32: 32倍下采样 → 13×13特征图 → 检测大目标
每个尺度使用 3 个预定义锚框（anchor），共 9 个。
训练时：
对每个真实框（GT），选择 IoU 最大的 anchor 所在的尺度，仅该位置、该 anchor 的预测参与 box 和 cls 损失计算，其他位置作为负样本参与 obj 损失（若 IoU < ignore_thresh）。
这种"正样本稀疏分配"机制大幅减少无效梯度干扰。
4 训练策略与技巧
输入尺寸：通常为 416×416（可多尺度训练，如 320~608 随机调整）；
YOLOv3训练使用了：
混合精度训练（AMP）
梯度累积
多尺度训练（可选）
标签平滑（可选）
5 关键问题：叠加损失会显著增加计算量吗？
答案：不会。计算量几乎不变，但显存略有增加。
为什么计算量不增加？
前向传播只执行一次：模型推理（Darknet53 + FPN）是主要开销，与损失数量无关
反向传播路径共享：多个损失的梯度在共享节点（如 backbone 输出）自动累加，后续反向只需一次。
损失函数本身极轻量：BCE/CIoU 等操作 FLOPs 可忽略（<0.5% 总计算量）。
也就是说在共享节点（ backbone）之前是要同时在3个方向做反向传播，但是在共享节点（ backbone）之后就一次反向传播了------这和数学链式求梯度有关。
核心机制：自动微分（Autograd）利用梯度线性性，将多损失反向转化为单次图遍历 + 梯度累加。
GPU显存和CPU开销什么会增加？
GPU 显存：需保留更多中间激活值供反向使用（约 +10%）。
少量 CPU 开销：标签匹配、IoU 计算等（通常非瓶颈）。
实测表明：三损失 vs 单损失，训练速度差异通常 < 5%。