yolo3的损失函数

xy_loss = object_mask * box_loss_scale * K.binary_crossentropy(raw_true_xy, raw_pred[...,0:2], from_logits=True)
wh_loss = object_mask * box_loss_scale * 0.5 * K.square(raw_true_wh-raw_pred[...,2:4])
confidence_loss = object_mask * K.binary_crossentropy(object_mask, raw_pred[...,4:5], from_logits=True)+ \
            (1-object_mask) * K.binary_crossentropy(object_mask, raw_pred[...,4:5], from_logits=True) * ignore_mask
class_loss = object_mask * K.binary_crossentropy(true_class_probs, raw_pred[...,5:], from_logits=True)  

坐标xy采用的二分类交叉熵损失，因为坐标xy的预测实际进行了归一化，是一个相对值。
而宽高wh则采用的差方和，等于1/2*（真值-预测的值）^2。这里使用1/2只是为了方便求导时约掉系数。

这里值得一提的是box_loss_scale 这个值，它等于2-目标面积，这个值是用于平衡大小目标之间的损失不均的问题，因为小目标在wh和xy的损失和大目标在wh和xy的损失不相同，大的目标的检测框的预测相对偏移值由于和大的anchor相比，所以相对值较小，但是小目标和小的anchor相比，所以小目标对于坐标和高宽的精确程度更加严格，所以采用box_loss_scale 来加重其损失权重。