記錄一些YOLO的知識點，有可能會在面試中遇到，做個筆記。
1. YOLOV1的損失函數
2.YOLOV2的損失函數
參考：https://blog.csdn.net/ChuiGeDaQiQiu/article/details/81229245
yolov2有13X13X5=845個bbox
YOLOV2的誤差主要包含三項：1.該cell所產生的5個bbox與真實的bbox的iou的最大值小於設定值，則認爲該cell不包含物體，即背景；2.真實的物體bbox的中心落在該cell上（紅色）即爲公式的第三部分；3.有些cell(黃色）既非背景又不是真實物體的中心，誤差的計算是第二部分。
3.YOLOV3的損失函數
參考：https://zhuanlan.zhihu.com/p/76802514
4.v2和v3的多尺度的區別
1.v2的多尺度是訓練時輸入圖片的尺度不同，每隔10個batch便隨機從 {320,352，384.，，608}選擇一個新的尺度作爲輸入圖像的尺寸
2.v3的多尺度是分辨率的不同，在3個不同尺度的feature map上進行detection。在輸入爲416的情況下這三個特徵圖的尺度爲1313，2626，52*52，這應該是對小目標影響最大的地方。
5 yolo的思想，v2,v3的改進
參考這篇博客
YOLO置信度：因此置信度可以定義爲Pr(object)*IOU。很多人可能將Yolo的置信度看成邊界框是否含有目標的概率，但是其實它是兩個因子的乘積，預測框的準確度也反映在裏面。