学习 Yolo v3 之前需要学习 v1，v2
Yolo v3 较 v1、v2 并没有太多的创新，主要是融合了其他的 trick，不过效果还可以；
主要改进有 3 点：
1. 主网络为 Darknet-53，借鉴了 resnet
2. 多尺度特征，大大提高了小物体的识别
3. softmax 多分类改为 多个二分类
Darknet-53
Darknet-53 借鉴了 resnet 的思路，网络结构也是作者自己设计，可更改
首先预训练该网络，网络采用 leaky relu 作为激活函数
多尺度特征
随着卷积层数的加深，特征越来越抽象，细粒度的特征损失更多，小物体的特征可能已经被忽略了，所以小物体的识别需要在细粒度特征上进行，也就是前面的卷积层；
Yolo v1 对于小物体的识别是非常差的，Yolo v2 采用 passthrough 保留细粒度特征，Yolo v3 采用 FPN 网络的思路输出多尺度特征，效果很好
FPN 网络
FPN 网络也叫特征金字塔，先从下往上融合特征，每层特征越来越抽象，分辨率越低，语义越强(细粒度的特征像一段话，抽象的特征就像对这段话的总结)，
再从上往下，每层输出既融合了上层的强语义特征，又融合了下层的高分辨率信息；
输出多尺度特征；
上图，从下往上可采用卷积，从上往下有个上采样的过程，可通过反卷积和插值实现；
从左往右有个 1x1 的卷积来改变 channels；
Yolo v3 网络结构
整体结构中展示了 FPN 的思想，如下图
三路输出：
第一路：从 36 到 61到79层，再到 82 层，属于正常的卷积网络；
这一路输出相对于原始图像是 32 倍下采样，对于 416x416 图像来说，就是 13x13；
这一路适合检测尺寸较大的对象；
第二路：从 79 层开始做 上采样，反卷积或者插值，然后 和 61 层融合，然后做正常卷积，到 91 到 94 层；
这一路输出相对于原始图像是 16 倍下采样，对于 416x416 图像来说，就是 26x26；
这一路适合检测中等尺寸的对象；
第三路：从 91 层开始做上采样，反卷积或者插值，然后 和 36 层融合，然后做正常卷积，到 106 层；
这一路输出相对于原始图像是 8倍下采样，对于 416x416 图像来说，就是 52x52；
这一路适合检测尺寸较小的对象；
下面这张图也挺清晰的，多看几张图，有助于理解
网络输出
为什么每个 cell 3 个 anchor box，看下文；
模型输出 13x13x3 + 26x26x3 + 52x52x3 = 10647 个 先验框，比 Yolo v2 多得多，召回率更高，小物体检测效果好
每种尺度的输出对应不同的 anchor box
不同尺度的输出用于检测不同尺寸的物体，需要不同的 anchor box，
Yolo v3 采用 9 种不同尺度的 anchor box，每种输出对应 3 种，anchor box 尺寸的设定仍然采用 v2 中 kmeans 方法；
以 COCO 数据集为例，9 种 box 尺寸如下 9个先验框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)
特征图越小，anchor box 尺寸越大，检测目标也越大；
感受一下 每种尺度输出的 不同尺寸的 anchor box
Logistics 分类
对于目标检测来说，softmax 的问题在于一个物体只能有一个 label，但是实际上一个物体可能有多个标签，比如一个人可能有 Human 和 Man 两个标签，logistics 可以解决这个问题
模型效果
网上有各种比较，总之效果又快又好
参考资料：
https://zhuanlan.zhihu.com/p/49556105