YOLOv3 SPP理论详解(包括CIoU及Focal loss)

网络性能对比

• 表格的数据来自U版yolov3 spp的参数对比，输入图片大小都是512 x 512, 原始的yolov3他的coco mAp(Iou 0.5:0.95) 所取的均值是在32.7,加上了SPP结构它的mAp达到了35.6，基本上提升了大概有3个点，U 版的yolov3 SPP的mAP达到了42.6，它相对于普通版Yolov3 SPP提升了将近7个点，这效果是非常明显的。通过查看U版的源码，作者使用了很多trciks.
• U版的Yolov3 SPP 作者主要使用的技巧包括: 1.Mosaic 图像增强 2. SPP模块 3.CIOU LOSS ，其中Focal loss作者在代码有实现，但实际训练中并没有使用到，作者发现加上了Focal loss效果并没有改善。

Mosaic 图像增强

以往的网络中也提到了很多图像增强算法包括：图像的随机裁剪、图像的随机水平翻转、亮度色度饱和度的随机调整等。

Mosaic 图像增强实际上是将多张图片拼接在一起，然后输入网络进行训练。在源码中，作者默认使用4张图片进行拼接预测，Mosaic图像增强到