YOLO V1损失函数理解：
（结构图）
首先是理论部分，YOLO网络的实现这里就不赘述，这里主要解析YOLO损失函数这一部分。
损失函数分为三个部分：
代表cell中含有真实物体的中心。 pr（object） = 1
① 坐标误差
为什么宽和高要带根号？？？
对不同大小的bbox预测中，相比于大bbox预测偏一点，小box预测偏一点更不能忍受。作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width
（主要为了平衡小目标检测预测的偏移）
② IOU误差（很多人不知道
代表什么）
其实这里的分别表示 1 和 0 = 
③ 分类误差
这个很容易理解（激活函数的输出）。
下面给出TensorFlow的Loss代码：
1 def loss_layer(self,predicts,labels,scope='loss'): 2 ''' predicts的shape是[batch,7*7*(20+5*2)] 3 labels的shape是[batch,7,7,(5+20)] 4 ''' 5 with tf.variable_scope(scope): 6 #预测种类，boxes置信度，boxes坐标[x_center,y_center,w,h],坐标都除以image_size归一化,中心点坐标为偏移量， 7 #w,h归一化后又开方，目的是使变化更平缓 8 predict_classes=tf.reshape(predicts[:,:self.boundary1], 9 [self.batch_size,self.cell_size,self.cell_size,self.num_classes]) 10 predict_scales=tf.reshape(predicts[:,self.boundary1:self.boundary2], 11 [self.batch_size,self.cell_size,self.cell_size,self.box_per_cell]) 12 predict_boxes=tf.reshape(predicts[:,self.boundary2:], 13 [self.batch_size,self.cell_size,self.cell_size,self.box_per_cell,4]) 14 #是否有目标的置信度 15 response=tf.reshape(labels[:,:,:,0], 16 [self.batch_size,self.cell_size,self.cell_size,1]) 17 #boxes坐标处理变成[batch,7,7,2,4],两个box最终只选一个最高的，为了使预测更准确 18 boxes=tf.reshape(labels[:,:,:,1:5], 19 [self.batch_size,self.cell_size,self.cell_size,1,4]) 20 boxes=tf.tile(boxes,[1,1,1,self.box_per_cell,1])/self.image_size 21 classes=labels[:,:,:,5:] 22 #offset形如[[[0,0],[1,1]...[6,6]],[[0,0]...[6,6]]...]与偏移量x相加 23 #offset转置形如[[0,0,[0,0]...],[[1,1],[1,1]...],[[6,6]...]]与偏移量y相加 24 #组成中心点坐标shpe[batch,7,7,2]是归一化后的值 25 offset=tf.constant(self.offset,dtype=tf.float32) 26 offset=tf.reshape(offset,[1,self.cell_size,self.cell_size,self.box_per_cell]) 27 offset=tf.tile(offset,[self.batch_size,1,1,1]) 28 29 predict_boxes_tran=tf.stack([(predict_boxes[:,:,:,:,0]+offset)/self.cell_size, 30 (predict_boxes[:,:,:,:,1]+tf.transpose(offset,(0,2,1,3)))/self.cell_size, 31 tf.square(predict_boxes[:,:,:,:,2]), 32 tf.square(predict_boxes[:,:,:,:,3])],axis=-1) 33 #iou的shape是[batch,7,7,2] 34 iou_predict_truth=self.cal_iou(predict_boxes_tran,boxes) 35 #两个预选框中iou最大的 36 object_mask=tf.reduce_max(iou_predict_truth,3,keep_dims=True) 37 #真实图中有预选框，并且值在两个预选框中最大的遮罩 38 object_mask=tf.cast((iou_predict_truth>=object_mask),tf.float32)*response 39 #无预选框遮罩 40 noobject_mask=tf.ones_like(object_mask,dtype=tf.float32)-object_mask 41 #真实boxes的偏移量 42 boxes_tran=tf.stack([boxes[:,:,:,:,0]*self.cell_size-offset, 43 boxes[:,:,:,:,1]*self.cell_size-tf.transpose(offset,(0,2,1,3)), 44 tf.sqrt(boxes[:,:,:,:,2]), 45 tf.sqrt(boxes[:,:,:,:,3])],axis=-1)
#================================================================================================================================= 46 #分类损失 47 class_delta=response*(predict_classes-classes) 48 class_loss=tf.reduce_mean(tf.reduce_sum(tf.square(class_delta),axis=[1,2,3]),name='clss_loss')*self.class_scale 49 #有目标损失（IOU） 50 object_delta=object_mask*(predict_scales-iou_predict_truth) #这里iou_predict_truth应该为1 51 object_loss=tf.reduce_mean(tf.reduce_sum(tf.square(object_delta),axis=[1,2,3]),name='object_loss')*self.object_scale 52 #无目标损失（IOU） 53 noobject_delta=noobject_mask*predict_scales #这里减0 54 noobject_loss=tf.reduce_mean(tf.reduce_sum(tf.square(noobject_delta),axis=[1,2,3]),name='noobject_loss')*self.no_object_scale 55 #选框损失（坐标） 56 coord_mask=tf.expand_dims(object_mask,4) 57 boxes_delta=coord_mask*(predict_boxes-boxes_tran) 58 coord_loss=tf.reduce_mean(tf.reduce_sum(tf.square(boxes_delta),axis=[1,2,3,4]),name='coord_loss')*self.coord_scale 59 tf.losses.add_loss(class_loss) 60 tf.losses.add_loss(object_loss) 61 tf.losses.add_loss(noobject_loss) 62 tf.losses.add_loss(coord_loss)
YOLO V2：
YOLO V3：
YOLOv3不使用Softmax对每个框进行分类，而使用多个logistic分类器，因为Softmax不适用于多标签分类，用独立的多个logistic分类器准确率也不会下降。
分类损失采用binary cross-entropy loss.