博客爲隨筆筆記類，便於加深理解以及比較各模型不同。若想要系統學習yolo系列，建議閱讀論文或詳解博客
PS：
！！！！yolo的bounding box和ssd的anchor box不一樣！！！他不是在圖中每一個座標點生成了一系列的盒子，這個盒子我們把它叫做Anchor，也就是先驗盒子！！yolo，沒有先驗的概念，而是將圖片分成了一系列的格子！！ 而這個格子直接預測到的目標的定位的框就是我們所說的bounding box，boungbox的信息直接用途中的格子表示 如：
他沒有anchor 也沒有default
正文：
yolo核心思想：利用整張圖作爲網絡的輸入，直接在輸出層迴歸bounding box的位置和其所屬類別。yolo利用全圖作爲context信息，背景錯誤比較少。
yolo將一幅圖分成s×s個格子（grid cell），如果某個object的中心落在這個格子，那麼這個網格就負責這個object。
每個網格負責預測b個bounding box。每一個boundbox包含了x y h w自身的位置信息以及一個confidence。這個con代表了所預測的box中含有object的置信度以及這個box預測的有多準兩種信息。計算如下：
其中，如果有object落在一個grid cell裏，第一項取1，否則取0。第二項則是bounding box和 gt box之間的IOU
每個bounding box要預測5個值，而每個網格還要預測一個類別信息。記爲C類。則S×S個網格每個網格要預測B個boundbox還要預測C個catagories。輸出就是：S x S x (5*B+C)的一個tensor。
此處注意：class信息是針對每個網格的，confidence信息是針對bounding box的（這也是之後要改進的地方）
網絡如下：
損失函數共包含5個部分：
在這個損失中： 只有當某個網格中右object時纔對class error進行懲罰
只有當某個box prediction對某個gt box負責時，纔會對corrd error進行懲罰。而是否負責則根據IOU值推算。
yolo v2：
V2借鑑了faster的思想，引入了anchor，就像之前說的yolo需要改進的地方，bounding box對一個格子多個目標的預測能力很差。並且刪除了yolo的全連接層，使用anchor預測bounging box
模型如下：
網絡使用了darknet19 具體如下：
其網絡設計對於v1沒有太大改變，主要是：
在每個卷積層後引入BN層，代替dropout，加速收斂。
移除全連接層。
在16層開始分爲兩條路徑，將底層特徵連接到高層，提高模型性能。
使用Anchor：
每個anchor包括25個信息，是否有目標，目標位置，目標種類。
計算如下：
。其中每個cell包括5個anchor，這5個anchor具有不同尺寸的預設，該預設可以通過手動指定。也可通過在訓練集上獲得。在v2中，預設尺寸是通過在測試集上進行類聚獲得的。
yolo v3：
yolov3 對於檢測兩個距離很近的物體，又或者是距離很近的不同類物體魯棒性很好，全面超越SSD512。
v1 v2都不如SSD300
總的來說 v3比v2性能提高很大，但速度卻沒有下降，況且對於小目標魯棒性很強。
yolo v3對於yolo以及v2的改變：
loss不同：作者v3替換了v2的softmax loss 變成logistic loss，而且每個ground truth只匹配一個先驗框。
網絡結構改變： 由darknet19變爲darknet53，跳層現象越來越普遍，使用殘差結構。
激活不同：激活函數由softmax改爲sigmoid
anchor不同：anchor的數量由5個變爲3個，提高了IOU
detection的策略不同：v2只有一個detection，v3一下變成了3個，分別是一個下采樣的，feature map爲13*13，還有2個上採樣的eltwise sum，feature map爲26*26，52*52，也就是說v3的416版本已經用到了52的feature map，而v2把多尺度考慮到訓練的data採樣上，最後也只是用到了13的feature map，這應該是對小目標影響最大的地方。
backbone不同：這和上一點是有關係的，v2的darknet-19變成了v3的darknet-53，爲啥呢？就是需要上採樣啊，卷積層的數量自然就多了，另外作者還是用了一連串的3*3、1*1卷積，3*3的卷積增加channel，而1*1的卷積在於壓縮3*3卷積後的特徵表示，這波操作很具有實用性，一增一減，效果棒棒。
結構如下：
網絡可能沒有使用pool 直接使用conv stride=2進行下采樣