YOLOV3-综述

一、回顾YOLOV1和YOLOV2的骨干网络
在YOLOV1中，输入数据为448x448x3，经过骨干网络后，最后输出7x7x30大小的矩阵。表示为一个输入图片被划分为7x7的网格，每一个网格输出2个BBOX，每一个BBOX有4个位置参数，1个置信度参数，每一个网格还有20个标签分类概率。故总的大小为7x7x(2x5+20)。

在YOLOV2中，输入数据为416x416x3，通过Darknet-19网络，经过32倍下采样，最终输出13x13x125大小的矩阵。表示为每一张图片被划分为13x13的网格，没一个网格划分5个Anchor，每一个Anchor有4个位置参数，1个置信度参数，20个类别概率。故总的大小为13x13x(5x(4+1+20))。

二、YOLOV3的骨干网络
YOLOV3最大的改变就是使用的全新的骨干网络****Darknet-53
下图为Darknet-53网络的结构图。总的来说该网络会经历一些卷积层，再经过一些残差卷积层，还需要对数据进行Concat操作。

下面这张图能够更加清晰的解释Darknet-53骨干网络究竟干了什么。如图所示，假设输入416x416x3的图片，最后会输出3个矩阵。
第一个矩阵可以粗略的理解为对数据进行了32倍下采样，最后输出矩阵的大小变成了13x13x255。
第二个矩阵可以是将32倍下采样的数据进行上采样后和上一阶段的数据进行Concat操作，最后输出26x26x255的数据
第三个矩阵同理是进行Concat操作。

（1）为什么需要之前的YOLO都是输出1个矩阵，YOLOV3是输出3个矩阵。
最大的目的就是为了更加细致的检测不同大小的物体。具体来说，我们对一张输入图片，输出三种不同的GC，按照如图的输入尺寸，输出的大小13x13,26x26,52x52的GC。这样便于我们去分开检测小物体，中物体，大物体。可以看到下图13x13负责检测大物体，52x52负责检测小物体。
（2）为什么需要上采样再拼贴？
因为这样可以充分的利用高维度的语义信息和低纬度的细粒度信息。

可以看到当输入为更小的256时也是进行上述操作的。

三、YOLOV3的损失函数
在YOLOV3中负责预测物体的框是正样本，那些超过阈值但是不负责预测的框什么都不是，剩下的没达到阈值的框都是负样本。
损失函数主要分成：
（1）正样本的坐标损失
（2）正样本的置信度和类别损失
（3）负样本的置信度损失

四、YOLOV3的训练

五、YOLOV3的测试过程