圖中最左側一列的1、2、8、8、4數字表示有多少個重複的殘差元件，每個殘差元件有兩個卷積層和一個快捷鏈路；
不斷進行下采樣的過程中，輸入圖片的高和寬不斷被壓縮，通道數不斷被擴張；
->從而可以獲得一堆的特徵層，可以表示注入進來的圖片的特徵：
52，52，256 52×52×75 ->52×52×3×25（20+1+4）
26，26，512 會和13×13×1024特徵層上取樣後的結果進行堆疊5次卷積 26×26×75 26×26×3×25（20+1+4）
13，13，1024進行5次卷積 13，13，75->13，13，3（3個先驗框），25->13，13，3，20+1+4（屬於概率的概率+是否有物體置信度分數+中心點座標和長寬）

IoU為0不會預測類別；
YOLOv3是每個BBOX預測自己是屬於哪個類別，（S * S * B ）* （ 4 + 1 + C ）；
Scale1預測的是更大的框，Scale3預測的是更小的框，預測的目標不一樣，克服了單層輸出的缺陷；
COCO資料集是80個類別；
YOLOv3有九種尺度的先驗框，每種下采樣的尺度設定三種先驗框，總共會聚類出九種尺寸的先驗框。在COCO資料集這9個先驗框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。分配上，在最小的1313特徵圖上（有最大的感受野）應用較大的先驗框(116x90)，(156x198)，(373x326)，適合檢測較大的物件。中等的2626特徵圖上（中等感受野）應用中等的先驗框(30x61)，(62x45)，(59x119)，適合檢測中等大小的物件。較大的52*52特徵圖上（較小的感受野）應用較小的先驗框(10x13)，(16x30)，(33x23)，適合檢測較小的物件；

預測物件類別時不再使用softmax，改成使用Logistic的輸出進行預測，這樣能夠支援多標籤物件（比如一個人有Women和Person兩個標籤）；
YOLO3共進行了多少個預測？對於一個416×416的輸入影象，在每個尺度的特徵圖的每個網格設定3個先驗框，總共有 13×13×3 + 26×26×3 + 52×52×3 = 10647 個預測。每一個預測是一個(4+1+80)=85維向量，這個85維向量包含邊框座標（4個數值），邊框置信度（1個數值），物件類別的概率（對於COCO資料集，有80種物件）。對比一下，YOLO2採用13×13×5 = 845個預測，YOLO3的嘗試預測邊框數量增加了10多倍，而且是在不同解析度上進行，所以mAP以及對小物體的檢測效果有一定的提升。

YOLOv3借鑑了殘差網路結構，形成層次更深的網路層次，以及多尺度檢測，提升了mAP及小物體檢測效果。如果採用COCO mAP50作為評估指標，YOLOv3的表現非常好，在精確度相當的情況下，YOLOv3的速度是其他模型的3、4倍。但是，如果要求更加精準的預測框，YOLOv3在精確率上確實表現一般；

YOLOv3做了嘗試的東西：
（1）Anchor Boxes座標的偏移預測：我們嘗試了常規的Anchor box預測方法，比如利用線性啟用將座標x、y的偏移程度預測為邊界框寬度或高度的倍數。但我們發現這種做法降低了模型的穩定性，且效果不佳；
（2）用線性方法預測x,y，而不是使用邏輯方法。我們嘗試使用線性啟用來直接預測x，y的offset，而不是邏輯啟用。這降低了mAP成績；
（3）focal loss：我們嘗試使用focal loss，但它使我們的mAP降低了2點。 對於focal loss函式試圖解決的問題，YOLOv3從理論上來說已經很強大了，因為它具有單獨的物件預測和條件類別預測。因此，對於大多數例子來說，類別預測沒有損失？或者其他的東西？我們並不完全確定；
（4）雙IOU閾值和真值分配。在訓練期間，Faster R-CNN用了兩個IOU閾值，如果預測的邊框與.7的ground truth重合，那它是個正面的結果；如果在[.3—.7]之間，則忽略；如果和.3的ground truth重合，那它就是個負面的結果。我們嘗試了這種思路，但效果並不好。我們對現在的更新狀況很滿意，它看起來已經是最佳狀態。有些技術可能會產生更好的結果，但我們還需要對它們做一些調整來穩定訓練；

YoloV3所使用的主幹特徵提取網路為Darknet53，它具有兩個重要特點：
1、Darknet53具有一個重要特點是使用了殘差網路Residual，Darknet53中的殘差卷積就是首先進行一次卷積核大小為3X3、步長為2的卷積，該卷積會壓縮輸入進來的特徵層的寬和高，此時我們可以獲得一個特徵層，我們將該特徵層命名為layer。之後我們再對該特徵層進行一次1X1的卷積和一次3X3的卷積，並把這個結果加上layer，此時我們便構成了殘差結構。通過不斷的1X1卷積和3X3卷積以及殘差邊的疊加，我們便大幅度的加深了網路。殘差網路的特點是容易優化，並且能夠通過增加相當的深度來提高準確率。其內部的殘差塊使用了跳躍連線，緩解了在深度神經網路中增加深度帶來的梯度消失問題。

2、Darknet53的每一個卷積部分使用了特有的DarknetConv2D結構，每一次卷積的時候進行l2正則化，完成卷積後進行BatchNormalization標準化與LeakyReLU。普通的ReLU是將所有的負值都設為零，Leaky ReLU則是給所有負值賦予一個非零斜率。