要点：
三 YOLO v3
3.1 Darknet-53 （backbone）
3.2 目标边界框的预测
将预测的边界框中心限制在当前cell中， s(x) = Sigmoid(x) 。
3.3 正负样本的匹配
3.4 损失的计算
3.4.1 置信度损失 (Binary Cross Entropy)
其中 表示预测目标边界框与真实目标边界框的IOU c为预测值,
为c通过Sigmoid函数得到的预测置信度, N为正负样本个数.
3.4.2 类别损失 (Binary Cross Entropy)
3.4.3 类别损失
3.4.4 定位损失
3.5 YOLOv3 SPP
3.5.1 Mosaic图像增强
3.5.2 SPP模块
实现了不同尺度的特征融合。
注意：这里的SPP和SPPnet中的SPP结构不一样，Spatial Pyramid Pooling
后续： 01-yolo算法_处女座_三月的博客-CSDN博客
