博客为随笔笔记类，便于加深理解以及比较各模型不同。若想要系统学习yolo系列，建议阅读论文或详解博客
PS：
！！！！yolo的bounding box和ssd的anchor box不一样！！！他不是在图中每一个座标点生成了一系列的盒子，这个盒子我们把它叫做Anchor，也就是先验盒子！！yolo，没有先验的概念，而是将图片分成了一系列的格子！！ 而这个格子直接预测到的目标的定位的框就是我们所说的bounding box，boungbox的信息直接用途中的格子表示 如：
他没有anchor 也没有default
正文：
yolo核心思想：利用整张图作为网络的输入，直接在输出层回归bounding box的位置和其所属类别。yolo利用全图作为context信息，背景错误比较少。
yolo将一幅图分成s×s个格子（grid cell），如果某个object的中心落在这个格子，那么这个网格就负责这个object。
每个网格负责预测b个bounding box。每一个boundbox包含了x y h w自身的位置信息以及一个confidence。这个con代表了所预测的box中含有object的置信度以及这个box预测的有多准两种信息。计算如下：
其中，如果有object落在一个grid cell里，第一项取1，否则取0。第二项则是bounding box和 gt box之间的IOU
每个bounding box要预测5个值，而每个网格还要预测一个类别信息。记为C类。则S×S个网格每个网格要预测B个boundbox还要预测C个catagories。输出就是：S x S x (5*B+C)的一个tensor。
此处注意：class信息是针对每个网格的，confidence信息是针对bounding box的（这也是之后要改进的地方）
网络如下：
损失函数共包含5个部分：
在这个损失中： 只有当某个网格中右object时才对class error进行惩罚
只有当某个box prediction对某个gt box负责时，才会对corrd error进行惩罚。而是否负责则根据IOU值推算。
yolo v2：
V2借鉴了faster的思想，引入了anchor，就像之前说的yolo需要改进的地方，bounding box对一个格子多个目标的预测能力很差。并且删除了yolo的全连接层，使用anchor预测bounging box
模型如下：
网络使用了darknet19 具体如下：
其网络设计对于v1没有太大改变，主要是：
在每个卷积层后引入BN层，代替dropout，加速收敛。
移除全连接层。
在16层开始分为两条路径，将底层特征连接到高层，提高模型性能。
使用Anchor：
每个anchor包括25个信息，是否有目标，目标位置，目标种类。
计算如下：
。其中每个cell包括5个anchor，这5个anchor具有不同尺寸的预设，该预设可以通过手动指定。也可通过在训练集上获得。在v2中，预设尺寸是通过在测试集上进行类聚获得的。
yolo v3：
yolov3 对于检测两个距离很近的物体，又或者是距离很近的不同类物体鲁棒性很好，全面超越SSD512。
v1 v2都不如SSD300
总的来说 v3比v2性能提高很大，但速度却没有下降，况且对于小目标鲁棒性很强。
yolo v3对于yolo以及v2的改变：
loss不同：作者v3替换了v2的softmax loss 变成logistic loss，而且每个ground truth只匹配一个先验框。
网络结构改变： 由darknet19变为darknet53，跳层现象越来越普遍，使用残差结构。
激活不同：激活函数由softmax改为sigmoid
anchor不同：anchor的数量由5个变为3个，提高了IOU
detection的策略不同：v2只有一个detection，v3一下变成了3个，分别是一个下采样的，feature map为13*13，还有2个上采样的eltwise sum，feature map为26*26，52*52，也就是说v3的416版本已经用到了52的feature map，而v2把多尺度考虑到训练的data采样上，最后也只是用到了13的feature map，这应该是对小目标影响最大的地方。
backbone不同：这和上一点是有关系的，v2的darknet-19变成了v3的darknet-53，为啥呢？就是需要上采样啊，卷积层的数量自然就多了，另外作者还是用了一连串的3*3、1*1卷积，3*3的卷积增加channel，而1*1的卷积在于压缩3*3卷积后的特征表示，这波操作很具有实用性，一增一减，效果棒棒。
结构如下：
网络可能没有使用pool 直接使用conv stride=2进行下采样