图中最左侧一列的1、2、8、8、4数字表示有多少个重复的残差组件，每个残差组件有两个卷积层和一个快捷链路；
不断进行下采样的过程中，输入图片的高和宽不断被压缩，通道数不断被扩张；
->从而可以获得一堆的特征层，可以表示注入进来的图片的特征：
52，52，256 52×52×75 ->52×52×3×25（20+1+4）
26，26，512 会和13×13×1024特征层上采样后的结果进行堆叠5次卷积 26×26×75 26×26×3×25（20+1+4）
13，13，1024进行5次卷积 13，13，75->13，13，3（3个先验框），25->13，13，3，20+1+4（属于概率的概率+是否有物体置信度分数+中心点坐标和长宽）
IoU为0不会预测类别；
YOLOv3是每个BBOX预测自己是属于哪个类别，（S * S * B ）* （ 4 + 1 + C ）；
Scale1预测的是更大的框，Scale3预测的是更小的框，预测的目标不一样，克服了单层输出的缺陷；
COCO数据集是80个类别；
YOLOv3有九种尺度的先验框，每种下采样的尺度设定三种先验框，总共会聚类出九种尺寸的先验框。在COCO数据集这9个先验框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。分配上，在最小的1313特征图上（有最大的感受野）应用较大的先验框(116x90)，(156x198)，(373x326)，适合检测较大的对象。中等的2626特征图上（中等感受野）应用中等的先验框(30x61)，(62x45)，(59x119)，适合检测中等大小的对象。较大的52*52特征图上（较小的感受野）应用较小的先验框(10x13)，(16x30)，(33x23)，适合检测较小的对象；
预测对象类别时不再使用softmax，改成使用Logistic的输出进行预测，这样能够支持多标签对象（比如一个人有Women和Person两个标签）；
YOLO3共进行了多少个预测？对于一个416×416的输入图像，在每个尺度的特征图的每个网格设置3个先验框，总共有 13×13×3 + 26×26×3 + 52×52×3 = 10647 个预测。每一个预测是一个(4+1+80)=85维向量，这个85维向量包含边框坐标（4个数值），边框置信度（1个数值），对象类别的概率（对于COCO数据集，有80种对象）。对比一下，YOLO2采用13×13×5 = 845个预测，YOLO3的尝试预测边框数量增加了10多倍，而且是在不同分辨率上进行，所以mAP以及对小物体的检测效果有一定的提升。
YOLOv3借鉴了残差网络结构，形成层次更深的网络层次，以及多尺度检测，提升了mAP及小物体检测效果。如果采用COCO mAP50作为评估指标，YOLOv3的表现非常好，在精确度相当的情况下，YOLOv3的速度是其他模型的3、4倍。但是，如果要求更加精准的预测框，YOLOv3在精确率上确实表现一般；
YOLOv3做了尝试的东西：
（1）Anchor Boxes坐标的偏移预测：我们尝试了常规的Anchor box预测方法，比如利用线性激活将坐标x、y的偏移程度预测为边界框宽度或高度的倍数。但我们发现这种做法降低了模型的稳定性，且效果不佳；
（2）用线性方法预测x,y，而不是使用逻辑方法。我们尝试使用线性激活来直接预测x，y的offset，而不是逻辑激活。这降低了mAP成绩；
（3）focal loss：我们尝试使用focal loss，但它使我们的mAP降低了2点。 对于focal loss函数试图解决的问题，YOLOv3从理论上来说已经很强大了，因为它具有单独的对象预测和条件类别预测。因此，对于大多数例子来说，类别预测没有损失？或者其他的东西？我们并不完全确定；
（4）双IOU阈值和真值分配。在训练期间，Faster R-CNN用了两个IOU阈值，如果预测的边框与.7的ground truth重合，那它是个正面的结果；如果在[.3—.7]之间，则忽略；如果和.3的ground truth重合，那它就是个负面的结果。我们尝试了这种思路，但效果并不好。我们对现在的更新状况很满意，它看起来已经是最佳状态。有些技术可能会产生更好的结果，但我们还需要对它们做一些调整来稳定训练；
YoloV3所使用的主干特征提取网络为Darknet53，它具有两个重要特点：
1、Darknet53具有一个重要特点是使用了残差网络Residual，Darknet53中的残差卷积就是首先进行一次卷积核大小为3X3、步长为2的卷积，该卷积会压缩输入进来的特征层的宽和高，此时我们可以获得一个特征层，我们将该特征层命名为layer。之后我们再对该特征层进行一次1X1的卷积和一次3X3的卷积，并把这个结果加上layer，此时我们便构成了残差结构。通过不断的1X1卷积和3X3卷积以及残差边的叠加，我们便大幅度的加深了网络。残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。
2、Darknet53的每一个卷积部分使用了特有的DarknetConv2D结构，每一次卷积的时候进行l2正则化，完成卷积后进行BatchNormalization标准化与LeakyReLU。普通的ReLU是将所有的负值都设为零，Leaky ReLU则是给所有负值赋予一个非零斜率。