一、《YOLOv3:AnIncrementalImprovement》
1.1、基本信息
标题：YOLOv3: An Incremental Improvement
作者：Joseph Redmon, Ali Farhadi
机构：华盛顿大学（University of Washington）
发表时间：2018年
代码地址：Joseph Redmon - Survival Strategies for the Robot Rebellion
论文地址：
我们对YOLO进行了一些更新！我们做了一些小的设计更改来使其更好。我们还训练了这个新的网络，非常不错。它比上次稍大，但更加准确。不过它依然很快，请放心。在320x320的情况下，YOLOv3在28.2 mAP中以22毫秒的速度运行，准确性与SSD相当，但快了三倍。当我们查看老旧的5IOUmAP检测指标时，YOLOv3表现得相当不错。在Titan X上实现了579AP50，而RetinaNet在198毫秒内实现了575AP50，性能相似，但快了3.8倍。像往常一样，所有代码可以在Joseph Redmon - Survival Strategies for the Robot Rebellion上找到。
1.2、主要内容
核心改进：
结合残差网络（ResNet）思想，提出新的主干网络 Darknet-53（53层卷积），兼顾速度与性能。
采用 多尺度预测（3种尺度），融合浅层细粒度特征与深层语义特征，提升小目标检测能力。
使用 维度聚类生成锚框（9个聚类，分3个尺度），通过逻辑回归预测目标存在概率。
性能表现：
速度：在Titan X GPU上，320×320分辨率下仅需22毫秒，比RetinaNet快3.8倍。
精度：AP50指标达57.9，与RetinaNet（57.5）相当，但速度显著占优。
局限性：高IOU阈值（如AP75）下性能较弱，边界框精确定位能力不足。
失败尝试：
线性激活替代sigmoid导致mAP下降。
Focal Loss未提升性能（可能与YOLOv3的独立目标性预测机制冲突）。
双IOU阈值训练策略效果不佳。
1.3、作用影响
技术贡献：
推动实时目标检测的实用化，平衡速度与精度，适用于嵌入式设备和实时系统。
Darknet-53成为高效主干网络设计的参考，影响后续轻量化模型（如YOLOv4、YOLOv5）。
行业影响：
广泛应用于安防监控、自动驾驶、工业检测等对实时性要求高的场景。
引发对目标检测评估指标的反思（如AP50 vs. COCO复杂指标）。
1.4、对未来展望
那么，其他那些为视觉研究提供大量资金的人是军方，他们从来没有做过任何可怕的事情，比如用新技术杀死很多人，哦等等.....我对大多数使用计算机视觉的人充满希望，他们只是用它做快乐、好的事情，比如在国家公园里计算斑马的数量，或者跟踪它们的猫在家里游荡。但是计算机视觉已经在被用于有问题的用途，作为研究人员，我们有责任至少考虑我们的工作可能造成的伤害，并考虑减少它的方式。我们欠世界这么多。
二、YOLOV3
下图中可以看到，2018年测试性能的数据集变成了COCO数据集，可以看到 YOLOV3的速度是非常快的，但是它的mAP并不是非常的高（mAP50 95）。
下图中可以看到，当IOU=0.5的时候，即mAP-50时，可以看到YOLOV3的速 度不仅快的，而且还非常准。
2.1、输入处理（Input）
YOLOV3在输入上没做任何的变化。
2.2、骨干网络（Backbone）
修改骨干网络为darknet53
YOLOv3的Backbone在YOLOv2的基础上设计了Darknet-53结构。 Darknet-53结构引入了ResNet的残差思想，类似于ResNet。
同时，darknet53网络并没有池化层（池化层指的是下采样的池化，并不是 全局平均池化）。
2.3、Neck结构
YOLOv3引入了FPN的思想，以支持后面的Head侧采用多尺度来对不同size 的目标进行检测，越精细的grid cell就可以检测出越精细的目标物体。 YOLOv3设置了三个不同的尺寸，分别是19×19,38×38和76×76，他们之间 的比例为1:2:4。
其中，在Neck结构CBL*5中，5层CBL分别是：1x1，3x3，1x1，3x3，1x1 的卷积。
在Neck结构CBL中，是1x1的卷积。 输入时608，
经过Backbone的第一个Res8之后，得到的特征张量缩放比为 8：608/8=76，即76x76x256。
经过Backbone的第二个Res8之后，得到的特征张量缩放比为16： 608/1638，即38x38x512。
Concat是在通道上进行相加。
Neck结构的基础上顺势而为融合了3个尺度，在多个尺度的融合特征图上分 别独立做检测，19x19的检测大尺寸物体，38x38的检测中尺寸物体， 76x76的检测小尺寸物体。
2.4、 检测头（Head）
255是与Anchor Box有关的，那么在YOLOV3中，Anchor Box的尺寸也是有 聚类算法产生的，经过聚类算法，有9个尺寸的Anchor Box，分别为： (10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)， (156x198)，(373x326)，YOLOV3会在三个预测特征层上进行预测，所以每 个预测特征层都有3个Anchor Box（按照先后顺序排好的，3个为一组，也 就是每个预测特征层有3个Anchor Box）。
| 特征图层 | 特征图大小 | Anchor Box尺寸（修正后） | Anchor Box数量 |
|---|---|---|---|
| 特征图层1（大目标） | 13x13 | (116x90)，(156x198)，(373x326) | 13x13x3 |
| 特征图层2（中目标） | 26x26 | (30x61)，(62x45)，(59x119) | 26x26x3 |
| 特征图层3（小目标） | 52x52 | (10x13)，(16x30)，(33x23) | 52x52x3 |
那么COCO数据集有80类，3x(4+1+80)就得到255了。
三、正负样本分配
3.1、正样本分配原则
与GT BOX的IOU最大的Anchor Box最为正样本。 如果一个Anchor Box与GT BOX的IOU不是最大的，但是又大于某个阈值， 那么就丢掉，既不是正样本又不是负样本。
3.2、负样本分配原则
除去正样本和丢弃的样本剩下的就是负样本。 如果某个Anchor Box不是正样本，那么它就没有定位损失和类别损失， 只有置信度损失。
其实我们可以看出来，这种正负样本分配的方式时有问题的，他会导致正负 样本数量失衡，从而影响训练结果，所以在几年前人们用YOLOV3的时候， 他们选择正样本的方式是：只要某个grid cell中的Anchor Box和GT BOX的 IOU大于某个阈值就视为正样本，这样正样本的数量就更多了。
四、损失函数
原文中没有详细的给出，这里根据源码给出：
YOLOV3的损失函数也包括三部分：定位损失、置信度损失、类别损失。
其中定位损失与YOLOV2是完全一致的。
但是置信度损失、类别损失采用了逻辑回归的策略，正常情况下，要实现多 分类是由Softmax+多元交叉熵组成，但是在YOLOV2中，采用的是 Softmax+回归的思想，这本身就很奇怪了，但是YOLOV3更为震撼，它用了 Softmax+二元交叉熵来解决该问题。
损失函数用了多个独立的用于多标签分类的Logistic分类器，取消了类别之 间的互斥（即one-hot），可以使网络更加灵活。YOLOv2使用Softmax+回 归器，认为一个检测框只属于一个类别，每个检测框分配到概率最大的类 别。但实际场景中一个检测框可能含有多个物体或者有重叠的类别标签。 Logistic分类器主要用到Sigmoid函数，可以将输入约束在0到1的范围内，当 一张图像经过特征提取后的某一检测框类别置信度经过sigmoid函数约束后 如果大于设定的阈值，就表示该检测框负责的物体属于该类别。
4.1、置信度损失
4.2、分类损失
