YOLOv3理解附github代码

我会从以下实现的角度理解YOLOv3，附上github代码 https://github.com/XingZeng307/YOLOv3。（真正从头实现一遍代码才能发现无穷多的细节需要去推敲，如果有错误麻烦指出，谢谢！）

YOLO简介

• 定义：YOLO是目标检测算法，用来识别图片中的物体，并且找到它们的位置，并且用边框给它们标出来。如图所示（note: 我用的数据集是关检测衣服的衣领类型的，所以这里是单目标检测）
  

标准深度神经网络结构

# 伪码
def model(x, y, num_iters):
	paras = initialize_paras()
   	for i in range(num_iters):
       pred = model(x, paras)
       cost = loss(pred, y)
       grads = backward(cost)
       paras = update_paras(grads)

YOLO的结构完全和以上的标准结构一致
我们需要做的是：

1. YOLO模型结构(也就是我们的神经网络结构)
2. 定义YOLO的输入x和输出y(prediction)分别是什么，以及格式，以便后面计算loss
3. 定义loss function，因为计算loss需要target，所以需要将训练数据集中的target的格式转换成和prediction的格式一致。
4. 训练模型 (forward -> loss -> back prop -> update para)
5. 检测新的图片

YOLOv3 model architecture (对应代码yolov3.py)

YOLO的模型架构是它的一个精华所在！！！
附上我自己手绘的一张图，花了很长时间，字迹有点潦草，希望不要介意。但是确实很用心画的一张YOLO v3的很完整的网络结构图！

• 1. 输入输出：当然，用于目标检测，输入是一张图(e.g. [256 X 256 X 3])或者一个batch，输出是检测到的物体的类以及其位置，表示为 [x, y, w, h, confidence, classes]，x, y, w, h是表示的是预测的边框(中心点➕宽➕高)，confidence表示我有多自信在这个边框里面有物体object，但前提是我有object，如果没有object，confidence则为0，最后classes是one-hot-encoding，表示的是预测的这个物体object属于哪一个类别。（note: 图中最后输出的[32 X 32 X 255]，[16 X 16 X 255], [8 X 8 X 255]之后会解释怎么与[x, y, w, h, confidence, classes]相关）

• 2. 中间结构 (精髓所在)：
  2.1 ResBlock的思想，在图中为short layer, 用于训练深层网络
  2.2 金字塔结构思想，大目标，小目标现在通吃！(之前YOLO1的一个缺点就是对小目标检测不准确)，在图中为route之后concat，把前后特征