正樣本的選擇：
目標中心點落在哪個grid上，然後計算這個grid的9個先驗框（anchor）和目標真實位置的iou值（直接計算，不考慮二者的中心位置），取iou值最大的先驗框和目標匹配。於是，找到的該grid中的 該anchor 負責**這個目標，其餘的網格、anchor都不負責。
計算各個先驗框和所有的目標ground truth之間的iou，如果某先驗框和影象中所有物體最大的iou都小於閾值（一般0.5），那麼就認為該先驗框不含目標，記作負樣本，其置信度應當為0
這部分雖然不負責**物件，但iou較大，可以認為包含了目標的一部分，不可簡單當作負樣本，所以這部分不參與誤差計算。
yolo演算法將目標看成回歸問題，採用sum-square函式，對不同的部分採用了不同的權重值。
由4部分構成：
1.x,y 均方誤差
2.w，h均方誤差
3.置信度loss（其實是否含有object誤差）
這裡其實有個很重要的思想，置信度有時是單純的分類置信度，有時候可能是結合了iou（在yolo裡面第一次見到），yolo就是結合了iou的置信度
**onfidence表示：cell**的bounding box包含乙個物體的置信度有多高並且該bounding box**準確度有多大，用公式表示為：
4.cls分類（yolo1用的是mse，這是p就是分類概率，也就是進過softmax輸出的值）
把網路分成sxs個網格（s通常為7），對於每乙個網格要**出b個邊框，每個邊框五個座標(x,y,w,h)和乙個分數（來**這個邊框和真是的邊框有多接近），每個網格也會**類別，所以一共有s × s × (b ∗ 5 + c) 個張量
這就是yolo的網路模型，對於卷積層和全連線層，採用leaky relu啟用函式。但是最後一層卻採用線性啟用函式，最後出來的是邊界框的**，之前說的是7x7的網格，那麼最後出來的就是7x7x30，20類，2個置信度（判斷有沒有物體），兩個框，乙個框（x,y,w,h）
backbone去除了pooling與fc，全用卷積代替，用了darknet 53，總的來說就是conv+bn+leaky_relu，yolo v3中採用類似fpn的upsample和融合做法（最後融合了3個scale，其他兩個scale的大小分別是26×26和52×52），在多個scale的feature map上做檢測。
1,y2和y3的深度都是255，邊長的規律是13:26:52。yolo v3設定的是每個網格單元**3個box，所以每個box需要有(x, y, w, h, confidence)五個基本引數，然後還要有80個類別的概率。所以3×(5 + 80) = 255。這個255就是這麼來的。最後卷積核的channel是255。
yolov3將分類loss從v1的mse變成了cross-entropy，用了類似ssd的三個尺度作為輸出的head。
網路結構圖：
還是四個loss。
crossentropyloss()內部將input做了softmax後再與label進行交叉熵！bceloss()內部啥也沒乾直接將input與label做了交叉熵！bcewithlogitsloss()內部將input做了sigmoid後再與label進行交叉熵！
YOLO v1的詳解與復現
yolov1是乙個快速的one stage目標檢測器，獨樹一幟的用劃分網格的策略實現目標檢測，本文將詳細解釋yolov1演算法，並簡述如何用pytorch復現該演算法。pytorch yolov1 github 本文屬於作者的理解，難免出現錯誤或者瑕疵，還請諒解與指正。簡單回顧一下目標檢測的做法，1...
yolov1 v3系列學習
參考 yolo系列演算法是one stage思想的，即直接提取特徵來 物體的類別和位置。其核心思想是輸入整個，提取特徵後直接進行回歸 分類。細節如下 網路結構如下 啟用函式 最後一層使用的是標準的線性啟用函式，其他的層都使用leaky relu 3.損失函式 由上一步可知，yolov1的損失分為3個...
YOLO v1一些細節上的理解
由imt rain im im trai n 生成target值得注意啊啊啊 loss function裡面的 xi,yix i,y i xi yi 是bboxes的中心座標，是相對於當前grid的左上角點的座標值 仔細看 取值範圍是 0,1 wi,hiw i,h i wi hi 是歸一化的值 取值...