yolov2, yolov3对比要点总结

1.yolov2 结构图，简述

2. yolov3,重新训练，更改class_num, 前一层卷积num_output,yolov3层都做了什么

https://github.com/eric612/MobileNet-YOLO/issues/12

3.yolov3 lite, 比yolov3 有哪些改变？

https://github.com/eric612/MobileNet-YOLO/blob/master/models/yolov3/mobilenet_yolov3_train.prototxt

https://github.com/eric612/MobileNet-YOLO/blob/master/models/yolov3_coco/mobilenet_yolov3_train.prototxt

  1）lite只有两个尺度, 2)lite small scale的特征层，缩小16倍，经过4次stride=2的conv, big scale特征层，缩小32倍; yolov3 三个branch, 分别缩小8,16,32倍

4.yolov1里面预测输出7x7x30的含义是什么？

图片划分为7x7的格子。7x7x(  (4+1)x2 + 20 )每个格子输出(4+1)x2 + 20，1为是否是物体，每个格子输出两个box是否为物体，如果为物体，那么20个分类，起效。就是说，每个格子预测的2个box，只能属于一个类别。

5.yolov3层，都做了什么？

输出7x7x (   (4+1 + 20)x3   ), 7x7的格子不变。每个格子输出3个box，每个box,是否为物体，每个box的分类 ，与yolov1的输出优点是，每个格子可以同时预测多个类的box。

下面的含义：side，为该层特征图-正方形，的边长；num_class，类别数；num为每个grid格子，(原图换分为7x7), 预测的方框个数；object_scale,预测为object的损失的系数，anchors_scale 这一层特征，相对于原图，所做的缩放，use_logic_gradient

? ；biases ?

layer {
  name: "Yolov3Loss1"
  type: "Yolov3"
  bottom: "conv19"
  bottom: "label"
  top: "det_loss1"
  loss_weight: 1
  yolov3_param {
    side: 13
    num_class: 20
    num: 3  
    object_scale: 5.0
    noobject_scale: 1.0
    class_scale: 1.0
    coord_scale: 1.0
    thresh: 0.6
	anchors_scale : 32
	use_logic_gradient : false
	#10,14,  23,27,  37,58,  81,82,  135,169,  344,319
    biases: 10
    biases: 14
    biases: 23
    biases: 27
    biases: 37
    biases: 58
    biases: 81
    biases: 82
    biases: 135
    biases: 169
	biases: 344
    biases: 319
	
	mask:3
	mask:4
	mask:5
  }
}