YOLO V1-V3 loss

YOLO V1-V3 目标检测：loss functions 总结

YOLO-V1

YOLO v1 框架输入为（448x448x3）rgb图片，输出为（7x7x30(voc数据集)）的预测，loss函数由5部分组成，其中S上标2，表示格点的个数，7X7格点一共有49个，B表示每个格点中box的个数，如下图：

在计算loss之前我们需要将 voc的box标签 转换为 yolo的box标签 如下图：

yolo的box标签，是对象中心相对于负责预测这个对象的格点的坐标的偏移量，如下图所示：

yolo最终输出的feature是30维的，其中包括20维的分类和两个 box 位置信息，以及置信度C，

在yolov1中每个格点中设置了两个box，其置信度C帽 = Pr(Object) ∗ IOU（b,b帽），被设置为Pr(Object) 表示box中包含对象的可能想大小，以及box和groundtruth box的IOU。在计算loss之前，会用两个box和groundtruth box 分别做IOU，选出最大的来构建loss。如上图两个包含目标中格点，的两个box分别为蓝色和绿色，最终绿色的IOU更大，所以拿来构建loss，而对应的groundtruth 置信度为最大IOU的值。

YOLO V1 loss 构建

构建最终的loss函数了，λcoord = 5 and λnoobj = 0.5。

classification loss

Localization loss

Confidence loss

在计算Localization loss和Confidence loss，只使用格点中与groundtruth box iou 最大的box，也就是一个格点中只用一个box计算loss。所以可以将这两部分loss中的 B 累加符号去掉

no-object

因为大多数的box都没有包含任何目标。大部分时候模型都是在检测背景而不是对象，所以将
λnoobj 设为很小的值 (default: 0.5).

YOLO-V2

在YOLO-V2中作者加入了预选框 和 单独格点的多目标预测，

这里注意一下，V1的每个格点只检测一个对象，V2的格点则可以检测多个对象，此图以检测两个对象为例，每个格点中每一个box都会预测对象class分类P。

YOLO-V3

YOLO-V3运用了FPNs的思想，从多个不同分辨率的特征层中预测预测最终结果。

其loss形式与 V2 相似。

引用

https://medium.com/@jonathan_hui/real-time-object-detection-with-yolo-yolov2-28b1b93e2088
https://medium.com/oracledevs/final-layers-and-loss-functions-of-single-stage-detectors-part-1-4abbfa9aa71c