yolov3回顾

1，结构
（1）生成3个尺度的输出，分别是（13,13，255）（26,26，255）（52,52,255）255=3*（80+4+1）80个类概率，坐标，置信度。3是每个框会生成3个预测框。
2. 训练
（1）创建网络模型 里边设置下输入、输出、损失函数
（2）开始训练，主要是将数据分批输入到模型中。如何分批生成训练数据，以及对初始训练数据转换格式preprocess_true_boxes（）用到这个函数。
（3）preprocess_true_boxes（）先将每个方框的数据坐标转化为中心坐标，然后进行归一化。
创建y_true张量格式3x [10,gride,gride,3,85]3种尺度， 10个batch，13*13个网格区域，一个区域生成3个预测框，85个元素，也就是生成和网络输出一样的数据格式。

        for t, n in enumerate(best_anchor):
            for l in range(num_layers):
                if n in anchor_mask[l]:
                    i = np.floor(true_boxes[b,t,0]*grid_shapes[l][1]).astype('int32')
                    j = np.floor(true_boxes[b,t,1]*grid_shapes[l][0]).astype('int32')
                    k = anchor_mask[l].index(n)
                    c = true_boxes[b,t, 4].astype('int32')
                    y_true[l][b, j, i, k, 0:4] = true_boxes[b,t, 0:4]
                    y_true[l][b, j, i, k, 4] = 1
                    y_true[l][b, j, i, k, 5+c] = 1

    return y_true

假设一个batch_size N 个框，这N个框可能对应三个尺度，13-13 ，26-26， 52-52，每个尺度3个预测框，为了确定每个boundingbox 对应的最佳anchor，
计算boundingbox 与 9个anchor的IOU，则是N*9个，一个boundingbox9个，选出最佳IOU，得到N个IOU，找到bestIOU对应的boundingbox和对应的anchor的下标。3x [10,gride,gride,3,85]，这样两个3的位置就找到了，gride，gride对应之前的坐标位置，置信度与概率都是1. 这是转化待训练的数据。

3. 检测
（1）在yolo_boxes_and_scores()函数中算出 网络模型3层的boxes（？4），box_score（？80）输出，及置信度。意思就是说 可以作画的位置坐标求出来了，对应框的得分，类别也都计算出来了，但是这是所有的网格预测的所有的框，有些得分太低，有些会重复框出来，NMS来解决这个问题，找到最合适的框，然后作图。
运行非极大抑制