。
YOLOV1解读：(https://blog.csdn.net/qq_33948796/article/details/88538940) YOLOV2解读：(https://blog.csdn.net/qq_33948796/article/details/88561542)目录：
①前言
②YOLOV3论文翻译
1、引言
2、YOLOV3内容
2.1 Bounding Box Prediction
2.2 类别预测
2.3 多尺度预测
2.4 网络结构
③ 总结
④主要参考
正文开始：
① 前言
首先介绍一下YOLO整个系列的算法思路：通过卷积神经网络对 input image 提取特征，很多层，每个层都得到一定尺寸的 feature map。比如YOLOV2输入 416x416 分辨率的时候，最后一层的输出是 416/32=13，13X13。然后将输入图像分成 13x13 个网络格子。然后如果 ground truth中的某个目标的中心点落在哪个格子里面，该格子就负责预测这个目标。每个 grid cell 预测的 bounding boxes的数目的一定的（YOLOV1的数目是2，YOLOV2的数目是5，YOLOV3的数目是3，但是这几个 bounding boxes 的初始大小不一样）。而固定数量的 bounding boxes里面哪一个才真正的来预测目标呢？论文中是这样处理的：这几个bounding boxes 里面与 ground truth 的 IOU最大的那个才是真正用来预测该 object。一个维度是最后的特征图，如 YOLOV2的 13x13，还有一个维度是深度，是 B*(5+C)。这边 B 是每个格子的预测框数，5 代表框的坐标和置信度，C表示预测的类别数。YOLOV1，YOLOV2，YOLOV3里面的 B 和 C是不一样的，详细可以参考我前面的博客。 这边给出三个网络结构图，主要参考：这位大牛的。
YOLOV1的网络结构图：
：
② YOLOV3论文翻译
摘要
emmmmmm.....不重要，跳！
1、引言
emmmmmm....也无关重要，再跳！
2、YOLOV3内容
2.1 Bounding Box Prediction
YOLOV2使用维度聚类作为Anchor boxes来源来预测边界框（YOLOV2论文提及了可以人为地设定 Anchor boxes 的面积和大小，后面介绍了聚类可以给更有效的开始，详细可以参考我的博客）。
YOLOV3跟YOLOV2一样，还是使用维度聚类进行选择 Anchor boxes。同时，YOLOV3使用 Logistic regression 来预测每个边界框里面对象的分数，用来区分对象和背景。当某个 bounding box 与 ground truth 的 IOU大于其他所有的 bounding box时，target 值赋1；如果某个 bounding box 不是 IOU最大的那个，但是 IOU 也大于了某个阈值，那么忽略这个框，既不惩罚也不奖励。对每个ground truth只分配一个最好的 bounding box 与其对应。如果某个 bounding box 没有与任何一个 ground truth 对应，那么这个框对边框位置大小的回归和类别预测没有帮助，只会惩罚他的 objects，试图减小他的 confidence。2.2 类别预测
YOLOV3不使用 softmax 对每个框进行分类，因为 softmax 使每个框分配一个类别（得分最高的一个）。而 很多东西是重叠的标签，比如预测的是女生，也属于人这一个类别，属于多标签问题，而 softmax 不适合多标签分类。因为 softmax强加一个假设，使得每个框只包含一个类别。逻辑回归层主要用到sigmoid函数，该函数可以将输入约束在0到1的范围内，因此当一张图像经过特征提取后的某一类输出经过sigmoid函数约束后如果大于0.5，就表示属于该类。 所以 softmax 可被独立的多个 Logistic 分类器代替，且准确率不会下降。分类损失使用二元交叉熵损失函数。
2.3 多尺度预测
这一部分主要参考：这位大牛的。 YOLOV2里面有一个层叫做：passthrough layer 。最后的 feature map 的 size 是 13x13。这个层的作用：将前一个 pooling 层和本层进行 concat，类似于 ResNet，目的也是加强对小目标的检测。
而在YOLOV3中，采用了 upsample 和融合，YOLOV3里面融合了3个 scale，三个尺寸为：13x13，26x26，52x52。在多个feature map 做检测，
结合上图看，卷积网络在79层后，经过下方几个黄色的卷积层得到一种尺度的检测结果。相比输入图像，这里用于检测的特征图有32倍的下采样。比如输入是 416x416 的话，这里的特征图就是 13x13 了。由于
下采样倍数高，这里特征图的感受野比较大，因此适合检测图像中尺寸比较大的对象。 为了实现细粒度的检测，第79层的特征图又开始作上采样（从79层往右开始上采样卷积），然后与第61层特征图融合（Concatenation），这样得到第91层较细粒度的特征图，同样经过几个卷积层后得到相对输入图像16倍下采样的特征图。它具有中等尺度的感受野，适合检测中等尺度的对象。 最后，第91层特征图再次上采样，并与第36层特征图融合（Concatenation），最后得到相对输入图像8倍下采样的特征图。它的感受野最小，适合检测小尺寸的对象。这篇博客里面网络结构图也很通俗易懂，大牛叙述的很棒，参考链接在下面：YOLOV3结构图。
YOLOV3为每个特征图聚类3种尺寸的先验框，那么一共有9个先验框。下面简单的看一下9种先验框的尺寸。
红色的为格子，黄色的为真实框，蓝色的为聚类的先验框。
2.4 网络结构
Darknet-53 ，感觉只有 Debug 时候才会理解！ 余下的跳过。。。。。
③ 总结
1、网络结构使用了类似的金字塔网络；
2、用 Logistic 代替 softmax ;
3、网络结构；
4、有了YOLOV3，不用提YOLOV2,和YOLOV1。但是还是需要从V1,V2一步一步来理清！
5、YOLOV3的不足，当IOU > 0.5时，mAP后劲不足！
嘿！最近在调试YOLOV3的代码，哎，估计个把月才能弄懂源码，科研真难受！github上面见，敬请期待！④主要参考：
1、https://zhuanlan.zhihu.com/p/47575929
2、https://zhuanlan.zhihu.com/p/46691043
3、https://blog.csdn.net/u014380165/article/details/80202337
4、https://www.jianshu.com/p/d13ae1055302
5、YOLO官网：YOLO: Real-Time Object Detection
6、论文链接：https://pjreddie.com/media/files/papers/YOLOv3.pdf
7、Youtube：https://www.youtube.com/watch?v=MPU2HistivI
8、知乎话题：如何评价YOLOv3: An Incremental Improvement？