利用小白的视角描写yolov3，简单、易懂！

网络模型

这是我看到一位大神的作品，冒昧拿来使用，因为实在画的太好了！原文作者：https://me.csdn.net/leviopku
不管是训练还是预测都是使用的同一个网络，那么输出也都是相同的。其中的关键在于输出了三个输出：y1，y2，y3
.（1）他们的维度都是255，即3*（4+1+80），代表预测的4个坐标（tw,th,tx,ty），1个置信度（是目标的概率），80个分类预测分数（coco中有80中分类，要是换一个数据集，80也会改变）。
（2）他们的大小都是NxN（例如13x13），可以考虑为将原始图像转换为NxN个单元格。
那么综合起来看，取其中一个输出13x13x255为例，实际上该网络的输出为[13x13x3]行（4+1+80）列。x3代表一个单元格预测三个（tw,th,tx,ty），这个矩阵每一行代表一个预测。

Anchor的取值

Anchor是通过作者K-means聚类得到的，聚类的含义在这里可以简单的理解为所有的物体大概都可以用9种框框住。那么这9种框就是文中提到的9中anchor，(10×13),(16×30),(33×23),(30×61),(62×45),(59×119),(116×90),(156×198),(373×326)。而且这9种anchor的分配为前三种52x52，中间三种26x26，最后三种13x13。为什么这么分是因为感受野的大小，可以简单理解为单元格画的越小，那么就能将很小的东西用单元格框住，这是使用小的anchor就可以将小的物体框出来。相反要是使用大的anchor，可能一下将很多单元格包含在内，失去了意义。

训练

（1） 将图片输入DarkNet-53，得到3种尺寸的特征图。涉及到张量连接。
（2） 将原始图片按照得到特征图的大小，划分为相对应的单元格。比如特征图大小为13x13，那么相对应的将原始图像划分为13x13个单元格。
（3） 根据真实数据中心点的位置，获得该中心点对应的单元格，就由那个单元格负责预测。一个尺度获得一个单元格，一共三个单元格。
（4） 根据3个单元格对应的9个anchor与目标的IOU，挑选最佳的anchor，作为bbox prio（Ph，Pw）。最佳的anchor对应的单元格提取（Cx，Cy），从最佳anchor对应的网络输出框中提取（tx,ty,tw,th）。
（5） 最后根据公式可以得到此时的预测框，公式如下所示：

（6） 计算损失：（x,y）（w，h）是均方误差。C，类别损失是二元交叉嘀损失。损失函数如下图所示：

损失函数中需要注意的几点：
1）（w,h）项中添加了根号，是因为anchor都是随机分配的，而且 anchor的大小之间往往相差10或20，添加根号可以减少误差，让损失函数的中心放在网络输出。
2）c的损失函数分为无目标损失和有目标损失。具体表现为：有目标时，判断为有目标和无目标；无目标时，判断为有目标和无目标。
（7）梯度下降，调整网络参数。

预测

（1） 将图片输入网络
（2） 得到三种不同的特征图，每个特征图分配三种anchor。
（3） 根据特征图的大小将原图划分为相对应的网格数量
（4） 根据上部分的bbox预测公式得到bbox。涉及到anchor和网络输出tx,ty,th,tw
（5） 每个单元格预测3个bbox，则一共预测（13x13+26x26+52x52）x3=10647个bbox
（6） 在每个bbox中计算cx（80个类别中最大的概率）=score
（7） 设置cof-thresh，去掉一下bbox。这是设置的阈值要小，因为不知道该去掉那些
（8） 将剩下的bbox排序，取出其中最大得分的bbox，认为是正确的。
（9） 利用NMS，去掉与上一步中最大得分的bbox的IOU大于一定阈值的bbox。
（10） 之后不断的重复第（8）步，直到搜索完成。
（11） 获得检测图像
水平有限，如有错误，还希望能够指正，谢谢。