目前yolov3在工业界目标检测领域获得了广泛的应用，在github上有很多yolov3源码的资源。现在做深度学习使用pytorch最为方便，在github上pytorch版本的yolov3的star数量最多的的是https://github.com/ultralytics/yolov3和https://github.com/eriklindernoren/PyTorch-YOLOv3这两个。然而，仔细观察这两个项目里，定义yolov3网络结构的文件models.py，可以看到这两个版本的区别。使用beyond compare软件比较这两个项目里的models.py文件。首先看create_modules函数，它们在定义卷积层时，命名有区别，如下图所示：
还有池化层，upsample层等等，都在命名上有区别的。接下来看forward函数，它们的区别在route层的计算上，如下图所示
可以看到，右边的route层计算时，是有if else分支的，而且在else里有一个try except，当进入except时，会进行一个特征图缩小一半的插值计算.。
在计算loss的时候，它们也有不同。eriklindernoren的yolov3的loss是在YOLOLayer里定义的，如下图所示
而ultralytics的yolov3则是单独定义一个函数，如下图所示
注意到，它们调用pytorch的loss函数还是有区别的。eriklindernoren调用的是nn.BCELoss()，而ultralytics调用的是nn.BCEWithLogitsLoss()，这两个函数的区别是，可以阅读这篇博文：https://blog.csdn.net/qq_22210253/article/details/85222093?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-1&utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-1
我最近训练Yolov3，里面用到了nn.BCELoss()这种loss函数，然后在gpu服务器上训练一段时间之后，就出现如下错误：
我在google和baidu里查找了一下解决办法，很多人说把nn.BCELoss()替换成nn.BCEWithLogitsLoss()，问题就解决了。
小伙伴们有没有发现这个差异呢？我在想，如果使用同一个数据集，在这两个项目里训练，它们的map会不会是一样的呢