參考地址：https://blog.csdn.net/leviopku/article/details/82660381
YOLO v3結構圖
DBL：卷積+BN+leaky relu，是v3的最小組件
resn：n代表數字，有res1，res2，...，res8等，表示這個res_block里含有多少個res_unit。這是YOLO-v3的大組件，YOLO-v3借鑒了ResNet的殘差結構，使用這個結構可以讓網絡更深（從v2的darknet-19上升到darknet-53，前者沒有殘差結構）。其實resn的基本組件也是DBL
concat：張量拼接。將darknet中間層和后面的某一層的上采樣進行拼接。拼接的操作和殘差層add的操作是不一樣的，拼接會擴充張量的維度，而add只是直接相加不會導致張量維度的改變。
可以使用netron來分析網絡層，整個YOLO-v3包含252層
從圖中可以看出，一共有252層。包括add層23層（主要用於res_block的構成，每個res_unit需要一個add層，一共有1+2+8+8+4=23層）。除此之外，BN層和LeakyReLU層數量完全一樣（72層），在網絡結構中表現為：每一層BN后面都會接一層LeakyReLU。卷積層一共有75層，其中72層后面都會接BN+LeakyReLU的組合構成基本組件DBL，還有三個卷積用於最后的輸出。一共有5個零填充層，表現為每一個res_block都會用上一個零填充，一共有5個零填充
1. backbone（骨架）
整個v3結構里面，是沒有池化層和全連接層的，前向傳播中，張量的尺寸變換是通過改變卷積核的步長來實現的，比如stride=（2， 2），這就等於將圖像邊長縮小了一半（即面積縮小到原來的1/4）。在YOLO-v2中，要經歷5次縮小，將特征圖縮小到原輸入尺寸的1/32，即輸入為416x416，輸出為13x13（416/32=13）。
YOLO-v3也和v2一樣，backbone都會講輸出特征圖縮小到輸入的1/32。所以，通常要求輸入圖片是32的倍數。下圖是v2和v3的backbone對比（DarkNet-19與DarkNet-53）
YOLO-v2中對於前兩過程中張量尺寸變換，都是通過最大池化來進行，一共有5次，而v3是通過卷積核增大步長來進行，也是5次（darknet-53最后面有一個全局平均池化，在YOLO-v3里面沒有這一層，所以張量維度變化只考慮前面那5次）
這也是416x416輸入得到13x13輸出的原因。從圖中可以看出darknet-19不存在殘差結構
從上表中也可以看出，darknet-19在速度上任然占據很大優勢。其實在其他細節也可以看出（比如bounding box prior采用k=9，而v2中k=5，明顯計算復雜度超過v2，隨之而來的是速度比v2要慢），YOLO-v3並沒有那么追求速度，而是在保證實時性的同時（fps>60）的基礎上追求performance。當然，如果想速度更快，可以使用tiny-darknet作為backbone替代darknet-53，在官方里用一行代碼就可以切換backbone。使用tiny-darknet的YOLO，也就是tiny-YOLO在輕量和高速兩個特點上，顯然是最先進的。
所以，有了YOLO v3，就真的用不着YOLO v2，更用不着YOLO v1了，這也是YOLO官方網站（https://pjreddie.com/darknet/），在v3出來以后，就沒提供v1和v2代碼下載鏈接的原因
2. Output
YOLO v3輸出了3個不同尺度的feature map，如上圖所示的y1，y2，y3，這也就是跨尺度預測 （predictions across scales）。這個借鑒了FPN（feature pyramid networks，特征金字塔網絡），采用多尺度來對不同size的目標進行檢測，越精細的grid cell就可以檢測出越精細的物體
y1，y2，y3的深度都是255，邊長的規律是13:26:52
對於coco類別而言，有80個種類，所以每個box應該對每個種類都輸出一個概率。YOLO v3設定的是每個網格單元預測3個box，所以每個box需要有（x，y，w，h，confidence）五個基本參數，然后還要有80個類別的概率。所以3*（5+80）=255。255就是這么來的
3. some tricks
Bounding Box Prediction
先說明一下v2的b-box預測：它借鑒了faster R-CNN RPN中的anchor機制，但不屑於手動設定anchor prior（模板框），於是用維度聚類的方法大來確定anchor box prior，最后選用了k=5。后來，v2又嫌棄anchor機制線性回歸的不穩定性（因為回歸的offset可以使box偏移到圖片的任何地方），所以v2最后采用了自己的方法：直接預測相對位置。預測出b-box中心點相對於網格單元左上角的相對坐標
對於v3而言，選用的b-box priors的k=9，對於tiny-yolo的話，k=6。priors都是在數據集上聚類得來的。每個anchor prior（名字叫anchor prior，但不是用anchor機制）就是兩個數字組成的，一個代表高度另一個代表寬度。
v3對b-box進行預測的時候，采用了logistic regression。v3每次對b-box進行預測時，輸出和v2一樣都是
，通過公式1計算出絕對的
（x，y，w，h，c）。
logistic回歸用於對anchor包圍的部分進行一個目標性評分（objectness score），即這塊位置是目標的可能性有多大。這一步是在predict之前進行的，可以去掉不必要的anchor，可以減少計算量。
如果模板框不是最佳的，即使它超過我們設定的閾值，我們還是不會對它進行預測，不同於faster R-CNN的是，YOLO v3只會對一個prior進行操作，也就是那個最佳的prior。而logistic回歸就是從9個anchor priors中找到目標性評分最高的那一個。logistic回歸就是用曲線對prior相對於 objectness score映射關系的線性建模
4. 損失函數
在YOLO系列中，v1使用了sum-square error的損失計算方法，就是簡單的差方相加而已。而在v3中沒有明確的提到損失函數。在目標檢測任務中，有幾個關鍵信息是需要確定的：
（x，y），（w，h），class，confidence
根據關鍵信息的特點可以分為上述四類，損失函數應該由各自特點確定。最后加到一起就可以組成最終的loss_function了，也就是一個loss_function就搞定了端到端的訓練。可以從代碼分析出v3的損失函數，同樣是對以上四類，不過相對於v1中簡單的總方誤差，還是有些調整的：
xy_loss = object_mask * box_loss_scale * K.binary_crossentropy(raw_true_xy, raw_pred[..., 0:2], from_logits=True) wh_loss = object_mask * box_loss_scale * 0.5 * K.square(raw_true_wh - raw_pred[..., 2:4]) confidence_loss = object_mask * K.binary_crossentropy(object_mask, raw_pred[..., 4:5], from_logits=True) + \ (1 - object_mask) * K.binary_crossentropy(object_mask, raw_pred[..., 4:5], from_logits=True) * ignore_mask class_loss = object_mask * K.binary_crossentropy(true_class_probs, raw_pred[..., 5:], from_logits=True) xy_loss = K.sum(xy_loss) / mf wh_loss = K.sum(wh_loss) / mf confidence_loss = K.sum(confidence_loss) / mf class_loss = K.sum(class_loss) / mf loss += xy_loss + wh_loss + confidence_loss + class_loss
以上是keras框架描述的YOLO v3的loss_function代碼。忽略恆定系數不看，可以從上述代碼看出：除了w，h的損失函數依然采用總方誤差之外，其他部分的損失函數用的是二元交叉熵（binary_crossentropy）。這個一般用作二分類的損失函數。