Yolov3模型框架darknet研究（五）yolo loss函数浅析

前言

   介绍yolo loss函数的文章很多，但有些地方说的不够详细或众说纷纭，看完之后有些细节还是搞不清。我这里按照自己的理解梳理一遍，同时把暂时还没想通的地方记录下来，以便后续完全理解后再更新。 

loss公式

一共分为三个大的部分：bbox，置信度以及类别的预测。

lambda系数介绍 

一共有两个相关lambda系数：和。它们是事先给定权重参数，因为不包含object的grid cell比包含的多很多，从而使得no-object的置信值的loss会很大，为了减少它的影响，所以后者值比前者往往小很多，通常地，前者设为5，后者设为0.5

bbox预测

在loss函数里面，bbox的预测值要进行归一化，所以其w和h是要除以整幅image的宽和高，而不是grid cell的size。 具体计算例子参考如下：

 理解点：

1）w和h归一化后，还是大物体的位置偏差要比小物体的要大，所以在loss公式中仍然先要开方根。

2）ground truth box的中心点落在的哪个grid cell，它就负责预测目标。 一个极端例子，一幅图像有很多小目标，使得每个grid cell都需要去预测一个或多个目标。

3）在训练时，每个真实目标的中心点落在哪个grid cell是提前知道的。所以每个grid cell预测的bbox就和它对应的ground truth box位置进行差的平方和来求loss。

4）疑问点是，在这种情况下，表示的是当ground truth box中心点落在第i个grid cell为1，其它为0？ 还是第i个grid cell含有object为1，其它为0？ 从这里看，似乎前者合理，但是后面置信度的公式部分好像是后者合理。

置信度预测

大写C是confidence的意思。它的公式为：

理解点：

1）Pr表示  grid cell包含目标为1，其它为0？ 还是目标中心点在grid cell为1，其它为0？ 

2）这里的如何理解？跟上面的Pr似乎有点冲突？

3）计算置信度偏差，还要考虑no object的情况。 

类别预测

上面loss公式是针对yolo1的，所以每个grid cell的所有bbox共享一套类别预测值，这也意味着，每个grid cell只能预测一个类别。
实际上到了yolo3，每个bbox都有自己的类别预测值，所以一个grid cell能预测多个类别，这有助于小目标物体检测。

理解点：

1） 是表示 第i个grid含有目标为1其它为0 还是 目标中心落在第i个grid cell为1，其它为0? 貌似前者合理。

2）类别的预测也是用差的平方和表示，所以整个loss函数完全变成了一个回归问题。 

小结

在理解过程中，还有好几个地方有待确认，随着认知的加深，后续会进一步更新文章。欢迎拍砖和指正。