YoLoV1~YoLoV3 SPP

截止到今日，差不多对深度学习有了一定了解了，从图像分类的各种神经网络再到YOLO系列的目标检测，一步一步的逐渐实现相应功能，但对于一些具体的代码细节、部分理论，后期可能还需要加强学习和理解。

但是转眼也快开学了，时间也变得有点紧，所以这一方面的技术学习要先暂停一段时间了，等度过这一段时间，自己会重新拿起，训练出自己所需要的模型。

本篇博文主要解析YoLoV3，自己来来回回看了好几遍才明白个大概，总之，水平菜是本质。。。

YoLoV1~YoLoV2

YoLoV1的主要思想就是，如果将一幅图像分成S*S个网格，如果某个物体的中心落在这个网格中，那么这个网格就负责预测这个物体。其次呢，每个网格还要预测2个bounding box，每个bounding box除了预测位置之外，还要附带一个confidence，就是置信度，每个网格还要预测C个类别的分数，C的数值是类别的总数量。

confidence的值的计算公式就是网格中确实存在目标的概率（一般就是取0或者1）*IOU。

最终的预测的目标概率，是某个目标的概率*IOU（交并比）。

最终经过网络结构之后，输出一个7*7*30的特征矩阵，30这个参数主要包括3部分，第一部分：第一个bounding box的参数值，包括中心坐标x，y和bounding box的高和宽，这几个参数都是相对值，在0和1之间，x，y是相对于那个中心小方格而言的，w，h是相对于整个图片来说的。第二部分和第一部分类似，是第二个bounding box的信息。第三部分是20个类别分数。

损失函数，都是以误差平方和的形式实现，主要有三个，bounding box损失函数，confidence损失函数以及classes损失函数，具体计算方法这里不做详细解释了。

YoLoV2中一个创新点是高层特征和底层特征通过一个passthrough层进行一个融合，主要解决预测小目标的问题。BackBone是一个Darknet-19的结构。

YoLoV3~YoLoV3 SPP

YoLoV3的BackBone改成了Darknet-53的结构，包含一系列残差结构的堆叠，没有最大池化层，而是通过卷积层来进行尺度的压缩，运算参数少。每一个Convolutional卷积层包含一个普通卷积层，一个BN层，没有偏置项，还有一个LeakyReLU激活函数。

在两个卷积层后接一个残差结构，残差结构中还有两个卷积层结构。

YoLoV3在每个anchor预测三个不同的尺度，最后会得到3个不同的预测特征图输出，用来预测不同大小的目标。

YoLoV3 SPP中也和YoLoV3一样包含Darknet-53的结构，除此之外还应用了Mosaic图像增强，就是把4张图片拼接在一起进行预测，可以增加数据的多样性，增加目标的个数，BN能一次性统计多张图片的参数。

YoLoV3 SPP和YoLoV3网络结构的主要区别在于增加了SPP模块，实现了不同尺度的特征融合。第一个分支直接接到输出，第二个分支为5*5的最大池化下采样层，第三个分支为9*9的最大池化下采样层，第四个分支为13*13的最大池化下采样层，步距都是1，最后各个分支的高和宽以及深度都是一样的，最后通过一个Concatenate进行拼接，拼接之后深度就翻了4倍，实现多尺度的融合。

损失函数的计算：IoU损失，GIoU损失，DIoU损失，CIoU损失。

IoU损失可以更好的反应重合程度，具有尺度不变性，但是当当两个边界框不相交时，loss为0。DIoU可以直接最小化两个boxes之间的距离，因此可以更快的收敛，达到更高的定位精度。CIou效果最好。

最终训练模型预测结果：

数据集读取以及制作数据集

数据集读取的基本过程：从main中的train.txt中读取每一行的信息，再到xml文件中解析，获取图片的高度宽度以及目标的位置等，再到JPEGImages中载入图片信息。

自己构建数据集，要标注自己的数据集，一般用labelImg一张一张的进行标注，生成xml文件。