YOLOv3庖丁解牛（三）：YOLOv3损失函数

1、首先我们看一下他的输入参数

model_loss = Lambda(yolo_loss, output_shape=(1,), name='yolo_loss',
                        arguments={'anchors': anchors, 'num_classes': num_classes, 'ignore_thresh': 0.5})(
        [*model_body.output, *y_true])

def yolo_loss(args, anchors, num_classes, ignore_thresh=.5, print_loss=False)

（1）args包括两部分，第一部分是*model_body.output，就是三组 (batchsize, grid, grid, 75)的darknet输出；第二部分是*y_true，就是上一篇文章咱们说到的 三组(batchsize, grid, grid, 3, 25)的Y真实值

（2）anchors就是[[10,13],  [16,30],  [33,23],  [30,61],  [62,45],  [59,119],  [116,90],  [156,198],  [373,326]]9组anchors

（3）num_classes=20（COCO数据集为80）

（4）ignore_thresh指的是iou的最小达标值

 

2、在函数体内，经过了一个核心函数（yolo_head），这个函数的主要功能就是把darknet输出的值跟我们的y_true对应上。

grid, raw_pred, pred_xy, pred_wh = yolo_head(yolo_outputs[l],
                                                     anchors[anchor_mask[l]], num_classes, input_shape, calc_loss=True)

函数体如下：

def yolo_head(feats, anchors, num_classes, input_shape, calc_loss=False):
    """Convert final layer features to bounding box parameters.
    [Nxgridxgridx75], [[116, 90], [156, 198], [373,326]], 20, [416, 416]
    yolo_outputs[l],anchors[anchor_mask[l]], num_classes, input_shape, calc_loss=True

    [Nxgridxgridx75]
    [[116, 90], [156, 198], [373,326]], 20, [416, 416]
    20
    416x416
    True

    [Nxgridxgridx75], [[116,90],[156,198],[373,326]], 20, (416, 416)

    """
    # 3
    num_anchors = len(anchors)
    # Reshape to batch, height, width, num_anchors, box_params.
    # [1x1x1x3x2]
    anchors_tensor = K.reshape(K.constant(anchors), [1, 1, 1, num_anchors, 2])