1、输入图像2、将图像送入卷积神经网络进行特征提取---得到特征图(特征图的提取，这里是使用darknet53网络得到特征图) ) ) ) )。
3、操作特征图，输出所需形状(后简单操作特征图，将形状调整为(13*13*255、26*26*255、52*52*255 ) ) ) )
由于这里采用了多个尺度，获得了三个特征图，但实际上与yolov1的一个特征图的目的相同。
这13*13*255本身没有意义，是作者赋予它意义，引导网络，按照作者的意思进行的。
13*13是作者将图像划分为13*13个区域，共有169个网格。 每个网格生成三个边框，这三个边框预测不同的类别。 coco数据集有80种类型，每个窗格有[c、x、y、w、h]五个参数，因此每个网格有[80]*3=255个参数。
4、将标签转换为均匀的形式进行损耗的计算(定制的损耗函数一般也继承到pytorch的类中，为了得到的损耗也进行梯度计算。 这相当于基于框架的一些计算，可以自动求出梯度) )。
4.1---标签形状与网络输出一致，首先确定网络输出的形状。 在网络输出的通道数255中，240是类别，其他三个c是可靠度，有三组(x、y、w、h )。 其实这里可以直接写) x、y、w、h )。 中心点坐标和宽度很高，但是这样没有范围，不方便优化，所以最好使这4个值为0-。 另外一方面，x和y被px和py代替，px、py是该中心点坐标在网格上相对位置，可能的值的范围也是0-1。 所以，此时的(x，y，w，h )被替换为) px，py，w/W，h/H )。 置换后的这四个值的范围都在0-1之间。
上面的做法是yolov1的操作。
yolov3时，对x和y的想法基本相同，即当前网格相对于左上角的偏移值。
但是，w和h改变了想法，引入了锚框架的结构。 相当于锚框的纵横，需要错开多少。 这个偏移量基本上很小，在这里重新说明了，http://www.Sina.com/http://www.Sina.com /锚定框的纵横是已知的，也就是说是人为设定的，所以根据偏移量进行预测
锚箱：实际上，我们对所有样本进行了人为统计，并观察了目标长宽比往往以何种长宽比出现。 将此纵横比设置为图像。 对于每个小网格，都有三个锚定框，锚定框的尺寸因比例特征图而异。 所以，其实有一个点，也就是9个不同尺度的锚框。
4.2---确定标签形状的标签也需要转换为13*13*255的矩阵，其中通道的各个数量的含义对于网络输出中的对应是必要的。
1、初始化全零13*13*255的矩阵。
2、计算真框在哪个网格上(I，j ) ) ) ) ) ) ) ) ) ) )。
3、将真框的(x、y、w、h )转换为(tx、ty、tw、th )
4、将第(I，j )网格的前15个通道设置为(tx，ty，tw，th，1，tx，ty，tw，th )，可靠性设置为1 )，其中tx、ty、tw、th
个锚框的偏移量）5、将第（i，j）网格的后240个通道设置为（0，0，0，，，1，，，0，0，0）
损失函数部分，可以分为3个部分，第一个部分，就是框的坐标误差；第二个部分，就是框的置信度误差；第三个部分，就是框的类别误差。
前提：以图片中只有一个目标为例。
标签中，只有第（i，j）这个网格的位置，通道数的255个数有值，其他的位置都没有数值。
预测图中，所有的网格位置，每个网格的通道数的255个数，都是有值的。
所以，计算损失的时候，不同网格的不同锚框，计算不一样的损失。
正样本的损失计算： 对tx ty求均方误差，对tw th求均方误差，对80类分类结果求二类交叉熵误差，对置信度C计算二类交叉熵误差(C期望值=1）。
负样本的损失计算：负样本就是边框和真实值IOU<阈值（背景、负样本）只对置信度C计算二分类交叉熵误差(C期望值=0）
其余既不负责预测物体，且IOU较大的边框不参与loss计算
【负样本<阈值】【正样本>阈值，并且与gt的iou最大，也就是只有一个正样本】【不参与计算>阈值】
loss计算中，“负责预测目标”（即正样本）和背景（即负样本），以及不参与计算loss的部分是怎么选择的：
正样本的选择：首先计算目标中心点落在哪个grid上，然后计算这个grid的9个先验框（anchor）和目标真实位置的IOU值（直接计算，不考虑二者的中心位置），取IOU值最大的先验框和目标匹配。于是，找到的 该grid中的 该anchor 负责预测这个目标，其余的网格、anchor都不负责。
负样本的选择：计算各个先验框和所有的目标ground truth之间的IOU，如果某先验框和图像中所有物体最大的IOU都小于阈值（一般0.5），那么就认为该先验框不含目标，记作负样本，其置信度应当为0
不参与计算部分：这部分虽然不负责预测对象，但IOU较大，可以认为包含了目标的一部分，不可简单当作负样本，所以这部分不参与误差计算。
蓝色框为聚类得到的先验框，黄色框是ground truth，红框是目标中心点所在的网格。
不是很理解的地方：
如果匹配的最优先验框所在的grid和gt box所在的grid不重合怎么办？既然不重合，那怎么使用sigmoid来预测中心点基于grid的偏移呢？因为我已经看过了一些开源实现，他还是在gtbox所在的grid里面选择一个IOU最大的anchor来作为匹配结果的
在原论文中，确实是使用先验框来训练的，也就是静态指定。静态指定就没有你说的问题了。动态的话，训练其实也是收敛的，中心点偏移只会发生在训练初期，就算照着错误的训练，慢慢的中心点偏移出grid的情况就会渐渐没有。这两种训练方式我都试过，并没有太大区别。关于动态训练的只是我个人见解，不一定正确哈。静态训练的方法肯定是没有问题的。