目录
资料
网络模型原理
网络框架
先验框
先验框计算
训练
置信度
对象条件类别概率
讨论
Reference
资料
论文地址：https://arxiv.org/abs/1804.02767
代码：https://github.com/ultralytics/yolov3
网络模型原理
网络框架
如左上图所示，Darknet-53是论文中提出的一种网络模型结构，可以作为检测模型的backbone，相较于 Darknet-19加深了网络层数，引入了Resnet中的跨层加和操作。如右上图所示，Darknet在ImageNet上的准确率比Darknet-19高近3个点，与ResNet-101和ResNet-152准确率相当，但计算复杂度和FPS要明显比这两者好很多。
上图YOLOV3的Backbone部分采用的是Darknet-53结构，在Neck部分进行了高层特征与底层特征的融合，融合时采用了上采样的方法将高层特征图的长宽各增加一倍，高层特征获得了与底层特征图相同的尺寸，这样就可以concat到一起了。输出层输出三个尺寸的特征，小尺寸特征图用于检测大尺寸的物体，大尺寸特征图检测小尺寸物体。特征的输出维度为NxNx[3x(4+1+80)]，NxN为输出特征图grid cell的数目，一共3个框，每个框有4维预测框数值
,
,
,
，1维预测框置信度，80维物体类别数（COCO数据集一共80个类别）。
先验框
anchor box其实就是从训练集的所有ground truth box中统计(使用k-means)出来的在训练集中最经常出现的几个box形状和尺寸。比如，在某个训练集中最常出现的box形状有扁长的、瘦高的和宽高比例差不多的正方形这三种形状。我们可以预先将这些统计上的先验（或来自人类的）经验加入到模型中，这样模型在学习的时候，瞎找的可能性就更小了些，当然就有助于模型快速收敛了。以前面提到的训练数据集中的ground truth box最常出现的三个形状为例，当模型在训练的时候我们可以告诉它，你要在grid cell 1附件找出的对象的形状要么是扁长的、要么是瘦高的、要么是长高比例差不多的正方形，你就不要再瞎试其他的形状了。anchor box其实就是对预测的对象范围进行约束，并加入了尺寸先验经验，从而实现多尺度学习的目的。
先验框计算
训练
置信度
还存在一个很关键的问题：在训练中我们挑选哪个bounding box的准则是选择预测的box与ground truth box的IOU最大的bounding box做为最优的box，但是在预测中并没有ground truth box，怎么才能挑选最优的bounding box呢？这就需要另外的参数了，那就是下面要说到的置信度。
对象条件类别概率
对象条件类别概率是一组概率的数组，数组的长度为当前模型检测的类别种类数量，它的意义是当bounding box认为当前box中有对象时，要检测的所有类别中每种类别的概率。
