所以YOLO V3和RetinaNet都使用看起来像这样的特征金字塔：（ 除了b有e一个输出）

我只是混淆了预测和训练是如何完成的？我们必须给每个特征图一个不同的Y label吗？如果是，那怎么可能？在我看来，我们需要有N不同的基本事实。（我认为还会有 3 种不同的损失？）

如果没有，那么这些如何一次完成？

这些网络存在很多混乱，因为我无法理解 YOLOv3 和 RetinaNet 中如何提供、训练和预测 y 标签。如果我知道这一点，那么关于损失、多输出等一切都会变得有意义。