yolov3源码分析

代码主要分四个部分
一

1. 数据读取与处理
2. 网络代码
3. loss计算
4. 预测解码
   以下主要对上面4个部分的关键代码进行详解，同时记录自己当前的一些疑问
   1. 数据读取与处理
   后面再补
   2. 网络代码
   后面再补
   3. loss计算
   本文代码主要简介pytorch版本的yolov3，和源码及ultralytics版本都有所出入，主要去思考其中的细节。
   本节主要从三个函数进行讲解
   1. loss主函数 forward：loss计算过程
      先贴一张loss公式图
      
      yolov3的loss分为三个组要部分：定位损失，置信度损失，类别损失。
      由图中可知边框损失使用mse loss, (2-w * h) 是为了平衡大框和小框带来的影响，yolov1使用宽高的开方进行平衡，类别损失使用二分类交叉熵损失，解除了类别之间的互斥性。置信度仍然使用mse loss计算

    # l代表特征尺度的索引
   

 bs = input.size(0)
 in_h = input.size(2)
 in_w = input.size(3)

 #计算当前特征层的步长
 stride_h = self.input_shape[0] / in_h
 stride_w = self.input_shape[1] / in_w

 #将anchor缩放到当前特征图尺寸
 scales_anchors = [(a_w / stride_w, a_h / stride_h)  for a_w, a_h in self.anchors]

 prediction = input.view(bs,len(self.anchors_mask[l]), self.bbox_attrs,  in_h, in_w).premute(0,1,3,4,2).contiguous()

 #获取预测结果，其中x,y,conf,class_conf需要归一化
 x = torch.sigmoid(prediction[...,0])
 y = torch.sigmoid(prediction[...,1])
 w = prediction[...,2]
 h = prediction[...,3]
 conf = torch.sigmoid(prediction[...,4])
 pred_cls = torch.sigmoid(prediction[...,5:])

 #样本匹配获取mask
 y_true, noobj_mask, box_loss_scale = self.get_target(l, targets, scales_anchors, in_h, in_w