1.损失函数（各分量之间的系数）
损失函数：
image
三个版本损失函数系数详情：
| versions | coord | obj | class | noobj |
|---|---|---|---|---|
| yolov1 | 1 | 0.5 | 1 | 5 |
| yolov2 | 5 | 1 | 1 | 1 |
| yolov3 | 1 | 1 | 1 | gt相关 |
2.网络输出形式
- v1： num_cell * num_cell*（5 * num_box+num_class ）
需要注意的是上述式子中5表示：当前 cell 所有 box 的四个坐标xywh + 当前 cell 所有 box 的confidence，以及当前 cell 所对应的一个 box 的类条件概率（这里当然也可以说是当前 cell 的类条件概率）。 - v2,v3： num_cell * num_cell *( num_anchor * (num_class + 1 + 4))
需要注意的是这里引入了anchor机制，和v1版本会有较大差别，但整体网络仍然是回归没有变。上述式子中1，4表示：当前cell预测num_anchor 个bounding box，然后每个bounding box预测5个值：tx，ty，tw，th和to（这里的to类似YOLOv1中的confidence），这里的tx，ty，tw，th和v1中的有点区别（当然前向都是一样的，我说的区别就是更新机制。）
需要注意的是这是网络预测的输出，最终这几个输出都是要和标签一起根据损失函数的定义来计算loss，更新权重的。
那么下面几个问题解释了对应的标签都是怎么得到的，因为给定的标签只有目标类别和目标框，需要通过这两个条件来通过一定的逻辑得到我们计算loss需要的标签。
按照损失行数的行数来说明loss需要的标签计算。
一：localization，坐标误差。（标签不用计算，直接从输入中获取）
二：含有object的box置信度误差。（标签需要计算）
三：不含有object的box置信度误差。（标签需要计算）
四：含有object的cell的那个“对应”box计算得到的类条件概率误差。（标签需要计算）
如何计算二，三两个标签，通过以下几个问题来回答~
问：什么是当前cell的所有box的confidence呢？
答：每一个box都会有一个confidence。
每一个box 的confidence计算公式：
Pr(Object)*IOUtruth/pred。
所以根据公式可知，如果当前cell中没有object，那么Pr(Object)=0，所以confidence=0,；如果当前cell中有object，那么Pr(Object)=0，所以confidence=IOUtruth/pred。
最后的confidece_label的标签是0和1，为0的有两种情况，第一就是上面所说的Pr(Object)=0，第二是IOUtruth/pred的阈值小于规定的值。而为1的就是IOUtruth/pred大于阈值。
如何计算四个标签，通过以下几个问题来回答~
问：那么为什么还要说是当前 cell 对应的 box 呢？
答：因为每一个cell在初始化的时候生成的初始化box是大于1个的，而最终参与类条件概率计算的时候只会用到一个 box，所以要说明对应的box。
问：那么怎么样从初始化的多个box中选出这个”对应”的box呢？
答：由于这多个box都是属于当前cell的，而每个cell都会负责小于等于一个目标（ground truth）。这多个初始化box与当前cell负责的ground truth计算IOU，那么拥有max_IOU的那个box就是而这个“对应”的box。因此这一个box就能够代表当前cell了。
问：那要是当前cell负责目标的个数为0，那怎么确定这个“对应”的box呢？
答：我的理解是当，当前cell负责的目标个数为0的时候，这个cell所有的box的confidence都=0，而且类条件概率也都是0。所以这个时候不需要知道这个“对应”的box是谁。
问：怎么确定当前cell是负责目标的，还是不负责目标的呢？
答：如果一个目标的ground truth的中心点坐标在这个cell中，那么这个cell就是包含这个目标，也就是说这个目标的预测就由该cell负责。
问：最后我得到了这个IOU最大的“对应”的box之后，怎么通过这个box计算我所需要的第四个标签呢？
答：这个标签其实就是判断一下当前cell负责的是哪一个object，那么对应的那个类概率就是1，其余都是0。所以。。。。。其实这个标签是直接可以通过类别和cell的位置来得到的，并不需要通过这个对应的box来得到。相当于每一个cell都包含一个类标签。当然和这个标签做loss的时候是要确定这个对应的box的。所以上述的解释对于理解还是有用的。
3.检测框初始化策略(anchor)
v1：随机暴力初始化
v2，v3：设置初始化anchor，在anchor基础上回归（而且这个anchor根据kmean算法进行聚类得到，这样使得初始化的anchor的比例和大小能够和当前的数据特征匹配。）
YOLOv1是利用全连接层直接预测bounding box的坐标，而YOLOv2借鉴了Faster R-CNN的思想，引入anchor。
YOLOv1将输入图像分成77的网格，如果每个cell预测两个box，因此一共只有98个box，但是在YOLOv2通过引入anchor boxes，预测的box数量超过了1千（以输出feature map大小为1313为例，每个cell有9个anchor box的话，一共就是13139=1521个）。
还有一个v1和v2,v3的差别，因为v2，v3有anchor，所以回归anchor坐标有自己的特点，具体查看这：anchor部分
4.yolov3做的一些改进
本人csdn博客地址：https://blog.csdn.net/qiu931110/
本人微信公众号：yuanCruise
