这一届节，我们就可以训练我们的YOLOv3网络了。读者可以打开项目的train.py文件来查看训练代码的详细内容。训练代码与先前的YOLOv2+几乎是一样的，包括数据预处理等，都没有做改动，因此不再赘述。

读者可以使用下面一行代码来开始训练。

这里我们调用COCO数据集来训练，而不再是VOC数据集了。相信通过前几章的学习，想必读者已经对VOC数据集十分了解了。另外，YOLOv3官方并未提供VOC的训练结果，只有COCO数据集，所以，这里我们只使用COCO数据集，也是为了方便和官方的YOLOv3对比。

还是那句话，不要尝试使用CPU进行训练。切记。

训练完毕后，模型都默认保存在了weights/coco/yolov3/文件夹下。当然，笔者也提供了已训练好的模型权重文件，读者可以在项目中的README文件中找到相关的下载链接。

有了模型权重后，读者可以输入下面一行的命令来运行项目中的test.py文件，在COCO val数据集上进行测试。

测试代码的运行方式和YOLOv1+与YOLOv2+都是一样的。运行此代码，我们即可看到模型在COCO-val验证集上的检测结果的可视化图像。图7-5直观地展示了我们的YOLOv3和YOLOv2+的性能对比，其中右图是我们的YOLOv3的检测结果。这里只展示得分高于0.3的边界框的预测结果。这里，我们特意挑选了小目标较多的图像，以便突出YOLOv3的优势。

很显然，在小目标的检测上，我们的YOLOv3表现出了更好的性能，这主要归功于多级检测方法，引入降采样倍数更小的C3特征图，相较于降采样倍数较大的C5特征图，C3特征图保留了更多的小目标信息。另外，在FPN的加强下，不同尺度的特征图包含的信息更加丰富，这也对提升模型的性能。

在上一节，通过将我们的YOLOv3的检测结果可视化出来，并与先前的YOLOv2+做对比，比较直观地证明了YOLOv3具有更强的检测性能，尤其是在小目标的检测结果上，YOLOv3表现更佳。

这一节，我们再从数据的角度上来证明这一点。并且，我们直接和官方的YOLOv3进行对比。为了达到此目的，我们需要在COCO test-dev2017测试集上去计算AP指标（此操作需要前往COCO官网来完成）。请读者运行项目中的eval.py代码，运行命令如下所示。

我们可以通过调整-size参数来改变输入图像的尺寸，如320、416、512和608等常用的尺寸。最终，我们会获得一个名为yolov3.json的文件，然后按照COCO官网所要求的格式将其重命名为：

[detections]_[test-dev2017]_[yolov3]_results.json

然后将其添加至同名的zip文件中：

[detections]_[test-dev2017]_[yolov3]_results.zip

将此压缩包上传至官网的测试界面，然后等待测试结果即可。

最后，测试结果如表1所示，我们用O表示官方的YOLOv3，R表示由我们自己实现的YOLOv3。

简而言之，由我们自己实现的YOLOv3要优于官方实现的YOLOv3。

多说一句，在上一节我们说到过，对于objectness的损失函数，官方的YOLOv3使用的是BCE，而我们使用的是MSE，若是将我们也采用BCE的话，则性能便会和官方的实现持平，但是用MSE，反而性能更高，也就是上表的结果，对于这一点，笔者目前还没有想明白为什么MSE的表现会比BCE好。

至此，YOLOv3也就讲完了，相信读者已经掌握了入门目标检测所必需的基础知识和基本技巧。可以说，到这一步，整个YOLO系列的核心内容也就都讲完了，至于后续的YOLOv4等新的YOLO工作，其实并没有改变YOLOv3的宏观框架，仅仅是在细节上做了很多改进去进一步提升性能。

在本章的最后一节，我们会提供新的一版YOLOv3，主要的改动在于加入DilatedEncoder结构，和使用更好的损失函数GIoU损失。敬请期待。