YOLOv3原理讲解之论文中的关键点解读
(1) mAP：mean average precision，每个类别各自的AP求和之后的平均值
VOC2010官方给出了如何计算mAP：
1). Compute a version of the measured precision/recall curve with precision monotonically decreasing, by setting the precision for recall r to the maximum precision obtained for any recall r′ ≥ r.
2). Compute the AP as the area under this curve by numerical integration. No approximation is involved since the curve is piecewise constant.
翻译：
1). 计算PR曲线，precision的取值为任意recall(r')大于或等于某个recall(r)对应的precision最大值；
2). PR曲线的积分面积就是要计算的AP。
(2) Grid cell：用网格划分图片，也是一种先验知识，即如果一个物体的中心落在某个cell中，那么这个cell就负责检测该物体。也就是说每个cell要预测B个bounding box及其对应的物体置信度和C个类别概率。假设有个cell，那么共有
个输出。4是4个坐标（bounding box的左上角x，y，和bounding box的高，宽），1是物体置信度（cell是否包含物体中心）。
在YOLOv1中，网格划分为；在YOLOv2中，网格划分为
；在YOLOv3中，网格划分为
，
，
。输入图片的尺寸为
，那么对应的就是32倍，16倍，8倍下采样，分别可以预测大，中，小目标物体。
(3) Bounding box的坐标预测：方法还是沿用了YOLOv2，如下：
网络对每个bounding box的四个坐标进行预测(tx, ty, tw, th)，再根据物体中心所在grid cell的左上角坐标(cx, cy)以及bounding box的先验宽和高(pw, ph)修正。这里再补充说明一下bounding box的先验，其实就是anchor box。大家想一想，我们的bounding box要拟合的对象就明白作者指的先验就是anchor box了。
这里有两个trick：
a. sigmoid函数，将tx和ty转换后限制到[0, 1]范围内，这样bx和by的值自然也就还是在当前这个grid cell，不会跳到旁边的cell中造成矛盾；
b. exp(t?) ，我比较同意参考1博主的观点：主要是为了求导的计算。如果选择类似p?*t?的方式，可能后期会造成梯度消失或梯度不再更新。指数函数就不会出现这个问题，而且exp的导数是它自己，实在是我们的最佳选择。指数函数还有个优点就是它的值大于0，这样我们就不用去要求预测的w和h要大于0。带不等式约束的优化问题，不能直接用SGD，还要用拉格朗日，个人认为对深度学习不友好。
来看看原论文的示意图，更加直观：
bounding box带尺寸先验的坐标预测
论文中提到训练过程中的一个trick：在数值预测中的损失函数梯度肯定是真实值减去预测值tgt-tpred。但是标注并没有tgt，我们可以通过计算bgt和tgt的反函数，也就是用tgt与tpred来计算误差。
参考[1]提到我们可以不计算sigmoid的反函数，而是直接用sigmoid计算误差，即：
(4) a. 论文提到的objectness score，是用来判断bounding box是否包含物体中心。也就是在测试的时候所说某个bounding box包含物体中心的置信度。这里沿用YOLOv1的损失函数
b. YOLOv3相较于YOLOv2还有一个大的改变就是每个bounding box可以预测多个类别，就是说一个box内如果存在多个类别，也是可以识别出来的。作者仅仅使用了多个独立的逻辑回归来进行类别分析。这么做的原因，作者在后面也说是因为某些数据本身就含有多标签，比如woman和person。如果使用softmax，那么就会认为所有的类别是互斥的，结果上就会造成一个bounding box只能识别一个物体。
好了，这是目前我想到的YOLOv3论文中的一些关键点的理解，如果大家还有什么疑惑，请给我留言。
接下来，我会一步一步搭建并解释YOLOv3的pytorch代码，敬请期待！
