先来看一下yolo3的结构图：
1、主体网络darknet53
最左边的这一部分叫做Darknet-53，
（1）它最重要特点是使用了残差网络Residual，darknet53中的残差卷积就是进行一次3X3、步长为2的卷积，然后保存该卷积layer，再进行一次1X1的卷积和一次3X3的卷积，并把这个结果加上layer作为最后的结果， 残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。
（2）darknet53的每一个卷积部分使用了特有的DarknetConv2D结构，每一次卷积的时候进行l2正则化，完成卷积后进行BatchNormalization标准化与LeakyReLU。普通的ReLU是将所有的负值都设为零，Leaky ReLU则是给所有负值赋予一个非零斜率。以数学的方式我们可以表示为：
2、从特征获取预测结果
（1）在特征利用部分，yolo3提取多特征层进行目标检测，一共提取三个特征层，三个特征层位于主干部分darknet53的不同位置，分别位于中间层，中下层，底层，三个特征层的shape分别为(52,52,256)、(26,26,512)、(13,13,1024)。
（2）三个特征层进行5次卷积处理，处理完后一部分用于输出该特征层对应的预测结果，一部分用于进行反卷积UmSampling2d后与其它特征层进行结合。
（3）图中输出层的shape分别为(13,13,75)，(26,26,75)，(52,52,75)，最后一个维度为75是因为该图是基于voc数据集的，它的类为20种，
我们代码中实际使用的是coco训练集，类则为80种，yolo3针对每一个特征层存在3个先验框，所以最后的维度为255 = 3x85，三个特征层的shape为(13,13,255)，(26,26,255)，(52,52,255)
其实际情况就是，输入N张416x416的图片，在经过多层的运算后，会输出三个shape分别为(N,13,13,255)，(N,26,26,255)，(N,52,52,255)的数据，对应每个图分为13x13、26x26、52x52的网格上3个先验框的位置。
3、预测结果的解码
yolo3的3个特征层分别将整幅图分为13x13、26x26、52x52的网格，每个网络点负责一个区域的检测。
我们知道特征层的预测结果对应着三个预测框的位置，我们先将其reshape一下，其结果为(N,13,13,3,85)，(N,26,26,3,85)，(N,52,52,3,85)。
最后一个维度中的85包含了4+1+80，分别代表x_offset、y_offset、h和w、置信度、分类结果。
yolo3的解码过程就是将每个网格点加上它对应的x_offset和y_offset，加完后的结果就是预测框的中心，然后再利用 先验框和h、w结合 计算出预测框的长和宽。这样就能得到整个预测框的位置了，当然得到最终的预测结构后还要进行得分排序与非极大抑制筛选。
下面我们继续对ModelArts实战营 mission 4 物体检测 1的代码进行解析，在上一篇中，我们在初始化session部分介绍了如何创建模型，下面我们重点分析一下它的逻辑
重要的参数有：
-
input_shape：输入图片的尺寸，默认是（416,416）：
-
anchors：默认的9种anchor box，shape是(9,2)；
-
num_classes：类别数，类别按0~n排列，输入类别也是索引；
-
weights_path：预训练的权重路径；
代码逻辑如下：
首先将参数进行处理：
h, w = input_shape # 拆分图片尺寸的宽h和高w；
image_input = Input(shape=(None, None, 3)) # 创建图片的输入格式image_input，隐式如（None,None,3)，显示如（416,416,3）；
num_anchors = len(anchors) # 计算anchor的数量#根据anchor的数量，创建真值y_true的输入格式，真值y_true即Groud Truth:
y_true = [Input(shape=(h // {0: 32, 1: 16, 2: 8}[l], w // {0: 32, 1: 16, 2: 8}[l], num_anchors // 3, num_classes + 5)) for l in range(3)]
# 输入格式如下：YOLO的三种尺度（13*13,26*26,52*52），每个尺度的anchor数(=9/3)，类别数(80)+边框4个+置信度1
“//”是Python语法中的整除符号，通过循环创建3个Input层，组成列表，作为y_true，格式如下：
其中，第一位是样本数，第2-3位是特征图的尺寸,共有3种尺度（13x13,26x26,52x52)，第4位是每个图的anchor数（3），第5为是：类别数（80）+4个边框值（x,y,w,h）+框的置信度（是否含有物体）
通过图片输入Input层image_input、每个尺度的anchor数num_anchors//3、类别数num_classes，创建YOLO v3的网络结构，即：
model_body = yolo_body(image_input, num_anchors // 3, num_classes)
接着，加载预训练模型，如果希望不加载预训练权重，从头开始训练的话，可以将这条语句删掉：
model_body.load_weights(weights_path, by_name=True, skip_mismatch=True)
根据预训练模型的地址weights_path，加载模型，按名称对应by_name，略过不匹配skip_mismatch；
定义yolo 损失函数：
-
Lambda是Keras的自定义层，输入为(*model_body.output ， *y_true)，输出为output_shape=(1,)；
-
层的名字name为yolo_loss；
-
参数为anchors锚框、类别数num_classes，ignore_thresh是物体置信度损失（object confidence loss）的IoU（Intersection over Union，重叠度）阈值；
-
yolo_loss是核心的损失函数。
最后构建模型，为训练做准备
model = Model([model_body.input]，*y_true], model_loss)
其中，model_body.input是任意(?)个(416,416,3)的图片，即：
Tensor("input_1:0", shape=(?, 416, 416, 3), dtype=float32)
y_true是已标注数据转换的真值结构。
作者：hellfire