yolo v3复现总结

目录

1.正样本，负样本，忽略样本的选择

1.1正样本

1.2负样本

1.3忽略样本

2.非极大值抑制Non-Maximum Suppression（NMS）

3.损失函数

---

1.正样本，负样本，忽略样本的选择

1.1正样本

       将每一个真实框(ground-truth box:来自于数据集中的标注 )与9个先验框(anchors)计算iou，取iou最大的anchor，找到真实框的中心点所在的cell(格子)，则此cell上的那个anchor负责预测此真实框，这个anchor + 此cell上的anchor调整参数( (来自于网络的输出)) 后的结果即为正样本。

9个先验框(anchors)

10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326

经验所得，共三种长宽比，分别为网络输出为52x52，26x26，13x13所对应的先验框

如：网络输出为13x13对应的先验框为116,90,   156,198,   373,326相当于把一张图片分为13x13个cell(网格)，每个网格比较大，所以匹配较大的先验框

1.2负样本

        将每一个真实框与所有的预测框(所有anchor+  生成预测框)计算iou，iou小于给定阈值的即为负样本

1.3忽略样本

        除去正样本和负样本的剩余样本即为忽略样本。

2.非极大值抑制Non-Maximum Suppression（NMS）

概念参考：https://blog.csdn.net/weixin_39263657/article/details/121780657?spm=1001.2014.3001.5506

在预测阶段使用了非极大值抑制

        对于预测的同一个种类，找出置信度最大的预测框，计算其他预测框与此预测框的iou，将iou大于给定阈值的其他预测框忽略。取出置信度最大的预测框，置信度为第二的则为首，计算此与其他iou，以此类推。

3.损失函数

坐标损失（均方误差损失）：计算正样本

置信度损失（交叉熵损失）：计算正样本(1)和负样本(0)

分类损失（交叉熵损失）：计算正样本