YOLOv4中filters数量设置为(classes + 5)*3的原因是什么

首先纠正你对系数3的误解：这个3不是对应3个YOLO检测层，而是单个检测层上每个网格单元绑定的3个不同尺度的先验锚框（anchor）。YOLOv4的3个检测层是独立输出预测结果的，每个检测层前的最后一层卷积都要单独设置这个filters值，和检测层的总数量没有关系。

classes + 5是单个锚框需要输出的所有预测值的总数量，拆分逻辑如下：

• 固定数值5对应每个锚框必须输出的5个基础参数：
  • 2个中心坐标偏移量x、y：表示预测框中心点相对于当前所属网格单元左上角的位置偏移
  • 2个宽高缩放值w、h：表示预测框相对于匹配的先验锚框的宽高缩放比例
  • 1个目标置信度（objectness score）：表示当前锚框范围内存在待检测目标的概率，用来后续过滤无效负样本
• 动态值classes对应你训练任务的待检测总类别数：这部分输出的是类别条件概率，也就是当确定框内存在目标时，该目标属于每一个类别的概率，有多少个检测类别就对应多少个输出值。

整体计算逻辑很简单：每个网格点对应3个锚框，每个锚框要输出5 + classes个预测结果，所以每个网格点总共要输出(classes + 5) * 3个值，卷积层的filters数必须和这个输出通道数完全匹配，不然会出现维度不匹配的运行错误。
你参考的英文结构示意图只标注了网络模块的连接关系，没有拆解检测头的输出通道维度构成，找不到对应解释是正常的。

内容的提问来源于stack exchange，提问作者ChengYao