Yolo V3整体思路流程详解！

结合开源项目tensorflow-yolov3（https://link.zhihu.com/?target=https%3A//github.com/YunYang1994/tensorflow-yolov3），理解YOLO v3实现细节整体套路 简单写写

1.数据预处理

voc_annotation.py生成训练测试txt文件，存储了图片路径，bbox和类别

dataset.py 的功能如下：

（1）通过读取voc_annotation.py生成的train.txt文件，对图片进行增强处理（包括旋转，随机裁剪和翻转等）；

（2）同时根据train.txt文件中读取的bbox生成对应的label,label存储大中小3种真实框的中心宽高置信度和类别；

2.网络结构

common.py定义卷积模块，残差模块，合并模块和上采样模块

backbone.py 定义darknet53网络结构

yolov3.py中build_nework（）返回3组 大中小特征图（1*13*13*255，1*26*26*255,1*52*52*255） decode（）根据生成的网格计算中心坐标宽高置信度和类别

3.损失函数

主要分为三大部分: 边界框坐标损失, 分类损失和置信度损失。

（1）边界框损失

与yolo v1的边界框坐标损失类似，v3中使用误差平方损失函数分别计算(x, y, w, h)的Loss，然后加在一起。v1中作者对宽高(w, h)做了开根号处理，

为了弱化边界框尺寸对损失值的影响。在v3中作者没有采取开根号的处理方式，而是增加1个与物体框大小有关的权重，权重=2 - 相对面积，取值范围(1~2)。

（2）分类损失

 判断网格内有无物体。使用误差平方损失函数计算类别class 的Loss。

（3）置信度损失

 使用误差平方损失函数计算置信度conf 的Loss。

yolo v3三种不同尺度的输出，一共产生了(13*13*3+26*26*3+52*52*3)=10647个预测框。

这个10647就是这么来的。

最终Loss采用和的形式而不是平均Loss, 主要原因为预测的特殊机制, 造成正负样本比巨大, 尤其是置信度损失部分, 以一片包含一个目标为例,

置信度部分的正负样本比可以高达1:10646, 如果采用平均损失, 会使损失趋近于0, 网络预测变为全零, 失去预测能力。

大体粗略记录下，下面这位大神讲的很清楚，我就不照搬了

参考文章：https://zhuanlan.zhihu.com/p/80208709