1. YOLO V3算法分析
1.1 网络结构图
图最下面的三个蓝色框，代表网络中常用的三个模块：
DBL：Yolov3网络结构中的最小组件，其由Conv（卷积）+ BN + Leaky relu组成。
Res unit：残差组件，借鉴ResNet网络中的残差结构，让网络可以构建的更深。
ResN：n代表数字，有res1，res2, … ,res8等等，表示这个res_block里含有多少个Res_unit。由一个CBL和N个残差组件构成，是Yolov3中的大组件。每个Res模块前面的CBL都起到下采样的作用，因此经过5次Res模块后，得到的特征图是608->304->152->76->38->19大小。
张量拼接与张量相加
Contact：张量拼接，会扩充两个张量的维度，例如26×26×256和26×26×512两个张量拼接，结果是26×26×768。
Add：张量相加，张量直接相加，不会扩充维度，例如104×104×128和104×104×128相加，结果还是104×104×128。
Backbone中卷积层的数量：
每个Resn中包含1+2×X个卷积层，因此整个主干网络Backbone中一共包含1+（1+2×1）+（1+2×2）+（1+2×8）+（1+2×8）+（1+2×4）=52，再加上一个FC全连接层，即可以组成一个Darknet53分类网络。不过在目标检测Yolov3中，去掉FC层，不过为了方便称呼，仍然把Yolov3的主干网络叫做Darknet53结构。
1.2 网络主体（backbone）
全卷积网络
在YOLO V2中，要经历Maxpooling层的5次缩小，会将特征图缩小到原输入尺寸的，即1/32。而整个v3结构里面，是没有池化层和全连接层的。前向传播过程中，张量的尺寸变换是通过改变卷积核的步长来实现的（下采样），比如stride=(2, 2)，这就等于将图像边长缩小了一半(即面积缩小到原来的1/4)。若输入为608x608，则输出为19x19(608/32=19)。如下图YOLO V3红框圈出的部分是V3的五次下采样。
输入图像大小为32的倍数
YOLO V3也和V2一样，backbone都会将输出特征图缩小到输入的1/32。所以，通常都要求输入图片是32的倍数。
YOLO V2的Darknet-19与YOLO V3的Darknet-53对比如下：
1.3 网络输出
多尺度预测
为了加强算法对小目标检测的精确度，YOLO V3输出了3个不同尺度的feature map。这个借鉴了FPN，采用多尺度来对不同size的目标进行检测，越精细的grid cell就可以检测出越精细的物体。
深度255
3个feature map的深度均是255，边长的规律是19:38:76。
对于COCO类别而言，有80个种类，且每个box应该对每个种类都输出一个概率。YOLO V3设定的是每个网格单元预测3个box，所以每个box需要有(x, y, w, h, confidence)五个基本参数，然后还要有80个类别的概率。所以3*(5 + 80) = 255。
contact拼接
YOLO V3采用上采样的方法实现这种多尺度的feature map，在上图中，第一个上采样采用（2，2）的步长，可以使经过Res4后的图像尺寸 x 2从而与Res4前的尺寸一样，来保证concat拼接的张量尺度相同。第二个上采样采用（2，2）的步长，可以使经过Res8后的图像尺寸 x 2从而与Res8前的尺寸一样，来保证concat拼接的张量尺度相同。
Bounding Box
在YOLO V2和YOLO V3中，都对图像中的object采用k-means聚类。 feature map中的每一个网格都会预测3个边界框（bounding box） ，每个bounding box都会预测三个东西：（1）每个框的位置（4个值，中心坐标tx和ty，框的高度bh和宽度bw），（2）一个置信度，（3）N个类别，coco数据集80类，voc20类。
三次检测
网络进行了三次检测，分别是在32倍降采样，16倍降采样，8倍降采样时进行检测。
三次检测，每次对应的感受野不同，32倍降采样的感受野最大，适合检测大的目标，在输入为416×416时，每个cell的三个anchor box为(116 ,90); (156 ,198); (373 ,326)。16倍适合一般大小的物体，anchor box为(30,61); (62,45); (59,119)。8倍的感受野最小，适合检测小目标，因此anchor box为(10,13); (16,30); (33,23)。所以当输入为416×416时，实际总共有（52×52+26×26+13×13）× 3=10647个先验框。
感受一下9种先验框的尺寸，下图中蓝色框为聚类得到的先验框。黄色框是ground truth，红框是对象中心点所在的网格。