一、YOLOv1：
YOLOv1构建了yolo系列算法“分而治之”的基调。 在YOLOv1中，输入图像如下图所示被分割为77的网络。
网格只是为了物体中心点位置的划分，并不是对图片进行切片不使网格脱离整体关系。
YOLOv1的结构图：
预测框的位置、大小和物体分类都通过CNN暴力predict出来。
输出为7x7x30的wndgz，7x7表示将输入图像分割为7x7的网格，各小单位的其他维度等于30。 30=(2*520 )。代表能预测2个框的5个参数(x,y,w,h,score)和20个种类
可见输出wndgz的深度影响yolo_v1可检测目标类型。 v1的输出深度只有30，意味着每个单元只能预测2个框(而且只能识别20种物体)，这对于密集型目标检测和小物体检测都不能很好适用。
yolo是一种端到端的训练，对预测框的位置、size、种类、置信度(score )等信息的预测都是在一个损失函数中训练的。
二、yolov2：
v2在v1上的提升：
1.batch normalization：BN给模型的收敛带来了明显的提高，同时也消除了其他形式的正则化的需要。 作者在每层卷积层后加入BN后，用mAP上升2%。 BN对规范化模型也很有帮助。 有了BN，就可以消除在dropout中避免模型过拟合的操作。 BN层的加入直接超过了mAP个百分点，但这一操作在yolo_v3上仍然悬而未决，BN层成为v2到yolo算法的标配。
在33558www.Sina.com/yolo_v2的优化尝试中引入了anchor机制。 作者2.Convolutional With Anchor Boxes:首先，作者去除了池化层以保证卷积输出的分辨率较高。 作者把448X448的图像缩小到416的大小。 作者想定为http://www.Sina.com/(416/32=13，13为奇数)，这样就变成了3358 www.Sina.com/(centercell )。 因为物体(特别是大的物体)多占据图像的中心，所以正好位于中心位置的单独位置可以很好地预测物体。 如果在YOLO卷积层对这些图像进行下采样，则输出feature map为13x13，因为32 (即2525 )是采样因子(416/32=13 )。
去除了YOLO的全连接层，使用anchor框来预测bounding box作者对yolo使用anchor机制时遇到了两个问题。 1、模板框(prior )的大小是手动选择的(指anchor prior的大小最初是手动设定的，在Faster R-CNN中k=9，大小共有3x3种)。 盒的规格可以在后期通过线性回归进行调整，但是如果从一开始就选择更合适的prior (模板盒)，可以使网络学习变得更轻松。 作者没有手动设置prior，而是在训练集的b-box中使用k均值聚类自动找到prior。
在33558www.Sina.com/yolo中使用anchor boxes机制时遇到了第二个问题。 模型不稳定。 特别是初期反复的时候。 不稳定的因素主要来自预测box的(x，y )位置时。
此公式为输出特征图的维度是奇数，因此任何anchor box都可以偏移到图像中的任意位置。 要随机初始化模型，需要一个中间单元格，这样可以稳定地生成可靠偏移。
3.Dimension Clusters:
我们没有“预测偏移量”，而是遵循了YOLO的方法。4.Direct location prediction:
直接预测(x，y )与yolo_v1的方法类似，只是如上图所示，v2是预测相对位置的相对单元左上角的坐标。 当(x，y )被直接预测时，其整个bounding box还需要确定w和h是不够的。 yolo_v2的方法既有保守又有激进，x和y直接用暴力预测，但w和h是通过bounding box prior的调整来确定的。
从上面的公式可以看出，b-box的宽度和高度也同时决定，不像RPN那样由regression决定。 pw和ph都是k均值聚类后prior (模板盒)的宽度和高度，yolo直接预测了偏移量tw和th，相当于直接预测了bounding box的宽度和高度。 使用没有加以限制条件的操作，使模型上升了5个百分点。
**5.mult
i-scale training：**用多种分辨率的输入图片进行训练。**6.Fine-Grained Features：**调整后的yolo将在13x13的特征图上做检测任务。虽然这对大物体检测来说用不着这么细粒度的特征图，但这对小物体检测十分有帮助。Fast R-CNN和SSD都是在各种特征图上做推荐网络以得到一个范围内的分辨率。我们采用不同的方法，只添加了一个passthrough层，从26x26的分辨率得到特征。
darknet-19：
评估：
召回率(Recall)= 系统检索到的相关文件 / 系统所有相关的文件总数
准确率(Precision)= 系统检索到的相关文件 / 系统所有检索到的文件总数
MAP:全称mean average precision(平均准确率)
假设有两个主题，主题1有4个相关网页，主题2有5个相关网页。某系统对于主题1检索出4个相关网页，其rank分别为1, 2, 4, 7；对于主题2检索出3个相关网页，其rank分别为1,3,5。对于主题1，平均准确率为(1/1+2/2+3/4+4/7)/4=0.83。对于主题 2，平均准确率为(1/1+2/3+3/5+0+0)/5=0.45。则MAP=(0.83+0.45)/2=0.64
三、YOLOv3:
darknet-53：
结构图：
各个模块：
DBL: 如图1左下角所示，也就是代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件。就是卷积+BN+Leaky relu。对于v3来说，BN和leaky relu已经是和卷积层不可分离的部分了(最后一层卷积除外)，共同构成了最小组件。
resn：n代表数字，有res1，res2, … ,res8等等，表示这个res_block里含有多少个res_unit。这是yolo_v3的大组件，yolo_v3开始借鉴了ResNet的残差结构，使用这种结构可以让网络结构更深(从v2的darknet-19上升到v3的darknet-53，前者没有残差结构)。对于res_block的解释，可以在图1的右下角直观看到，其基本组件也是DBL。
concat：wndgz拼接。将darknet中间层和后面的某一层的上采样进行拼接。拼接的操作和残差层add的操作是不一样的，拼接会扩充wndgz的维度，而add只是直接相加不会导致wndgz维度的改变。
输出：
这个借鉴了FPN(feature pyramid networks)，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物体。
y1,y2和y3的深度都是255，边长的规律是13:26:52
yolo v3设定的是每个网格单元预测3个box，所以每个box需要有(x, y, w, h, confidence)五个基本参数，然后还要有80个类别的概率。所以3*(5 + 80) = 255。
补充
Bounding Box Prediction
b-box预测手段是v3论文中提到的又一个亮点。先回忆一下v2的b-box预测：想借鉴faster R-CNN RPN中的anchor机制，但不屑于手动设定anchor prior(模板框)，于是用维度聚类的方法来确定anchor box prior(模板框)，最后发现聚类之后确定的prior在k=5也能够又不错的表现，于是就选用k=5。后来呢，v2又嫌弃anchor机制线性回归的不稳定性(因为回归的offset可以使box偏移到图片的任何地方)，所以v2最后选用了自己的方法：直接预测相对位置。预测出b-box中心点相对于网格单元左上角的相对坐标。
v2相当直接predict出了b-box的位置大小和confidence。box宽和高的预测是受prior影响的，对于v2而言，b-box prior数为5，在论文中并没有说明抛弃anchor机制之后是否抛弃了聚类得到的prior，如果prior数继续为5，那么v2需要对不同prior预测出 。
对于v3而言，在prior这里的处理有明确解释：选用的b-box priors 的k=9，对于tiny-yolo的话，k=6。priors都是在数据集上聚类得来的，有确定的数值，如下: