YOLOv3损失函数个人见解

YOLOv3损失函数个人见解

网络上对YOLOv3的讲解各有不同，还有用YOLOv1损失函数来代表YOLOv3函数的，这里我发表一下个人对YOLOv3损失函数的见解。

损失函数

在这里本人认为损失函数就像YOLOv3原作者在论文所说的：

• 边界框运用均方误差
• 置信度运用交叉熵
• 类别运用交叉熵

用公式表示如下：
在源码中边框坐标也有乘以scale（2-wh）。对于scale，我的理解是：wh越小，就表示面积越小，面积越小，在和anchor做比较的时候，iou也就会越小，scale便是用来弱化边界框尺寸对损失值的影响。而对于坐标，本人认为没这个必要，所以上述公式坐标那一块并没有乘以scale。

函数求导讲解

均方误差求导：

交叉熵函数求导：

logistic函数求导：

源码解释

本人认为项目源码中并没有直接给出损失函数的表达，而是直接跳过了这一步进行反向传播求梯度
源码中有一个很重要的变量delta，本人认为这便是存放梯度的
Delta =

1. 类别：

 delta[index + stride*n] = ((n == class_id) ? 1 : 0) - output[index + stride*n]; 
 if (n == class_id && avg_cat) *avg_cat += output[index + stride*n]; 

2. 置信度：

 int obj_index = entry_index(l, b, n*l.w*l.h + j*l.w + i, 4); 
 avg_anyobj += l.output[obj_index]; 
 l.delta[obj_index