摘要：本文將詳細介紹Yolov3的網絡結構相關內容。
Yolov3 網絡結構
在博客“Yolo發展歷史及網絡結構”中我們已經詳細的解釋了Yolov1的網絡結構，並簡要的提到了Yolov2與Yolov3對於網絡結構的改進，本篇博客將詳細介紹Yolov3的網絡結構，內容比較簡單。
Yolov3網絡結構圖
從圖中可以看出，Yolov3主要有以下幾部分組成：
- 輸入
- 基礎網絡：基礎網絡是可以根據具體的需求選擇，作者原文用的是自己設計的：Darknet-53
- YOLOv3網絡的三個分支：Y1，Y2，Y3
網絡部件介紹
DBL: 如圖1左下角所示，也就是代碼中的Darknetconv2d_BN_Leaky，是yolo_v3的基本組件。就是卷積+BN+Leaky relu。對於v3來說，BN和leaky relu已經是和卷積層不可分離的部分了(最后一層卷積除外)，共同構成了最小組件。
resn：n代表數字，有res1，res2, … ,res8等等，表示這個res_block里含有多少個res_unit。這是yolo_v3的大組件，yolo_v3開始借鑒了ResNet的殘差結構，使用這種結構可以讓網絡結構更深(從v2的darknet-19上升到v3的darknet-53，前者沒有殘差結構)。對於res_block的解釋，可以在圖1的右下角直觀看到，其基本組件也是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。
YOLOv3網絡的三個分支
多尺度檢測-Y1
適用目標：大目標
路徑：綠色線標注
輸出維度：13×13×255
輸出維度具體解釋：13×13：圖片大小；255=（80+5）×3；80：識別物體種類數；5=x,y,w,h和c（置信度）；3：每個點預測3個bounding box。
多尺度檢測-Y2
適用目標：中目標
路徑：黃色線標注
輸出維度：26×26×255
輸出維度具體解釋：26×26：圖片大小；255=（80+5）×3；80：識別物體種類數；5=x,y,w,h和c（置信度）；3：每個點預測3個bounding box。
多尺度檢測-Y3
適用目標：小目標
路徑：紫色線標注
輸出維度：52×52×255
輸出維度具體解釋：52×52：圖片大小；255=（80+5）×3；80：識別物體種類數；5=x,y,w,h和c（置信度）；3：每個點預測3個bounding box。