目标检测算法最难理解的，设计最复杂的就是正负样本分配和损失函数这块了，这两者将很大程度决定网络的训练效果，因此开帖对yolo系列做一总结，重点也在这两者，吸收他人优秀博客内容，进行整理。

YOLO v1：

2016 CVPR有两个明星，一个是resnet，另一个就是YOLO。

上图是网络输出，注意里面每个格子预测两个Box，即论文中的B设置为2，但只有一组class probabilities，即每个格子只能预测一个物体，两个Box是为了让每个Box。

论文中损失：

同济子豪兄的注释：

• 正负样本分配：某个grid cell的预测结果与gt中所有目标计算IoU，IoU最高的那个物体视为这个grid cell应该去预测的目标，即yolo的每个grid cell只负责预测一个物体，由于只有7*7个grid cell，所以yolo对密集排布的目标预测效果差。
• 损失平衡系数：${\lambda }_{coord}$是正样本BBox损失的权重系数，论文中设置为5。而负样本不计算BBox损失，只计算是否存在目标的obj损失，其系数${\lambda }_{noobj}$设置为0.5，正样本的该损失权重设置为1，正样本的obj损失中标签${\hat{C}}_i$不是1，是目前预测结果与分配到的正样本的IoU，负样本该项为0。
• x,y,w,h:w,h都相对输入尺寸归一化到0,1之间了，x，y是相对该grid cell位置的偏移量，也在0~1范围内。
• 对w，h开根号的原因：我们对BBox预测的评价指标是IoU，但IoU相同时，大框的w、h所求得的损失肯定是比小框要高的开根号可以认为是为了增加sum-squared error (L2 loss)的尺度不变性。
• 对分类也是用L2损失：根据我调研的几个第三方的代码实现，这个$p_i(c)$和前式中的$C_i$也没做过softmax（我没有看到）或sigmoid，网络最后一层是线性层，而${\hat{p}}_i(c)$的正样本和负样本标签分别为1和0，这样如果初始化不好，刚开始训练就有可能梯度爆炸吧，不知道我的理解对不。

YOLO v2：

相比v1,在backbone上有更新，加入了BN层，且检测头多了一个passthrough layer的短接，但最后的检测头还是只有一个，并且使用了anchor box机制，因为预测偏移量比直接预测更好学习，锚框的shape和大小是根据k-means聚类得到了5种锚框。论文标题的9000意思是可以使用文中的方法使yolov2实现9000种目标的检测。
BN层：

每个grid cell（网格）可以最多预测5个物体，5代表五种不同的anchor：

预测时的计算方式：
其中的sigmoid函数使得每个cell的预测结果的中心位置都是落在该cell中。
损失函数：

上图是网友根据yolov2的代码整理的损失函数，式子中$b_{ijk}^o$是obj置信度,$b_{ijk}^r$是预测的BBox位置信息，其中$r\in (x,y,w,h)，b_{ijk}^c$是预测的框所属类别。$prio{r}_k^r$是anchor的位置，因为每个cell中的五个anchor都是一样的，所以下角标只需要知道anchor属于这五个anchor的哪一个信息。$trut{h}^r$是标注框的位置信息。$trut{h}^c$是标注框的类别信息。$IO{U}_{truth}^k$是anchor与标注框的IOU。

loss由三部分组成，其中标黄的部分非0即1。

第一部分标黄部分，为负样本惩罚，表示预测框与标注框的IOU如果小于阈值0.6，那视作这个预测框是与负样本匹配了，取值1，反之为0，后面的部分表示标签0与置信度$b_{ijk}^o$的L2损失。这个IoU的计算是只根据大小和形状来计算的，与位置无关，即先将某个grid cell所属的anchor和gt(ground truth)中心位置重合，再计算IoU。

第二部分标黄部分，表示是在12800次迭代前，将anchor与预测框位置误差加入损失，可以使模型能够在前期学会预测anchor位置，使得输出的$t^x,t^y,t^w,t^h$更稳定；（这一项自己的理解不是很清晰）

第三部分标黄部分，表示预测框是否负责预测物体，该anchor与标注框的IoU最大对应的预测框负责预测物体（IOU>0.6但非最大的预测框忽略不计），其中第一项表示预测框与标注框的定位误差，第二项表示预测框的置信度与标注框和anchor的IoU的误差，表示预测框的所属分类结果与标注框的类别信息的误差，这个预测类别结果我看到的代码都是做了softmax的。

图中还有五个$\lambda$, 表示每一个损失的平衡系数。

YOLO v3：