yolov3裡有很多細節需要注意，下面就把那裡面的一些細節總結一下。
先驗邊框，也可以叫建議框，錨框(anchorbox)，是對coco資料集的真實框kmeans聚類獲得，對目標物體的真實框具有代表性。在yolov3中，3個不同深度的網路輸出52*52，26*26，13*13這三種不同尺寸的特徵圖，一共9個建議框，將這9個建議框分為3組，每組建議框和每種特徵圖一一對應。這裡借鑑了ssd網路的思想：不同深度網路檢測不同大小的物體。52*52的特徵圖大，感受野小，因此對小物體更敏感。13*13特徵圖小，感受野大，因此對大物體更敏感。
"anchor box是對coco資料集聚類獲得"
anchors_group_kmeans =
以原圖大小為416*416的網路為例，若特徵圖大小為13*13，則將原圖劃分為13*13個正方形網格，每個網格邊長為32。每個網格與特徵圖上的點一一對應，因此，可以通過特徵圖上點的索引得到每個網格在原圖上的位置，特徵圖索引*32就是cx和cy。
σ (t
x)\sigma(t_)
σ(tx)
就是中心點相對網格左上角的偏移率，其中txt_
tx是網路的輸出，經過sigmoid壓縮到（0-1）之間。bx=
σ(tx
)∗32+
cx∗32
b_ = \sigma (t_)*32 + c_*32
bx=σ(
tx)
∗32+
cx∗
32，32為對應的每個網格的畫素，如果特徵圖為26*26，則每個網格邊長16畫素，如果特徵圖為52*52，每個網格邊長8畫素。訓練時可採用損失mseloss()，而非bcewithlogits()，即直接輸出，不用sigmoid啟用，這樣效果更佳。
b wb_
bw是目標框的寬， pwp_
pw是建議框的寬，etw
e^}et
w就是目標框的寬相對於建議框寬的偏移率，而網路輸出的twt_
tw實際上是偏移率的對數。因此，在做標籤的時候，就需要求出真實框相對於建議框的偏移率並取對數，以對數值作為標籤。
計算iou有很多種方式，比如小框比大框，交集比小框，交集比並集等。
在做標籤時，採用小框比大框的方式。這是因為目標框和建議框同中心點，因此採用小框比大框比較合適。
在偵測時，採用交集比最小框的方式，這是因為偵測時各個**框比較容易出現大框套小框的情況，因此採用交集比並集。
採用多標籤分類方法，而不是多分類，因此，不再使用softmax，而使用sigmoid+二分類交叉熵，pytorch中用bcewithlogits()函式。
每個框都會使用多標籤分類來**邊框中可能包含的類。我們不再使用softmax，因為我們發現它無助於提公升模型的效能，取而代之的是單獨的邏輯分類器。在訓練過程中，我們用二元交叉熵損失來評價類別**。yolov3中變動最大的就是網路模型（darknet53）當我們把yolov3用在更複雜的資料集時，比如open images資料集[7]，上述操作就會有很大的幫助。open images中包含了大量重疊的標籤（如女性和人），如果使用softmax，它會強加乙個假設，即每個框只有乙個類別，然而事實常常不是如此。相比之下，多標籤分類方法能更好地擬合這些資料。
網路結構
YOLO V3的一些細節
yolo的基本思想是通過多層cnn bounding box的中心 x,y 座標及其長寬，當然也少不了類別資訊，參考 1 yolo v3的結構 基本原理是什麼樣？有哪些重要的引數 概念？yolo v3的優點是什麼？下文著重講解。根據yolo v3原創 2 的內容，yolo v3使用了乙個含有53個卷...
YOLOv3 從入門到部署 （一）YOLOv3概述
這是目標檢測領域常用的兩個資料集。voc和coco的區別主要在於影象標註的格式不一樣。voc將目標的標籤資訊以某種格式儲存在.xml格式的檔案中，而coco則是儲存在.txt檔案中。因此有時候voc和coco不是指資料集，而是指資料集標註格式。我們完全沒有必要去研究每種標註格式的細節，網路也有大量的...
yolov3中資料讀入（一）
yolov3的訓練 從 detector.c de train detector 函式開始，函式如下 void train detector char datacfg,char cfgfile,char weightfile,int gpus,int ngpus,int clear,int dont...