首先介绍一下yolo的名字来源：you only look once, 翻译过来就是你只需要看一次，所以显而易见yolov3是单阶段目标检测算法。
那么：1.为什么yolov3会成为“单”阶段目标检测算法而不是“二”阶段呢？
2.为什么yolov3会被关注？为什么我要从yolov3开始给大家讲？
3.yolov3相比于最开始的传统rcnn系列网络最精妙的地方你觉得是哪里？
带着这些问题，我们开始接下来的学习吧，学习完之后，在评论区留下你的答案吧！
注意我在这里直接开始了yolov3的讲解并没有说明目标检测的原理和现状，在后面我会讲rcnn系列，在那里我会从头开始讲，初学者建议从rcnn开始。
在yolov3出来之后yolo才被正式关注的，值得注意的是，往后的yolo(v4-v5)在整体架构上都与yolov3差别不大，所以了解yolov3是学习yolo系列算法不可缺少的一步。
YOLOv3算法的基本思想可以分成两部分：
YOLOV3框架如上图所示，其实，整个框架可划分为3个部分：分别为Darknet-53（实际只用了52层）结构（特征提取）、特征层融合结构（上图concat部分）、三个侦测头（Y1,Y2,Y3)，那这三个部分有啥作用或者说怎样工作的呢？
下面从网络结构的输入说起，给一张图像x（大小：416×416）输入到Darkenet-53网络结构，进行一系列的卷积以及参差网络，分别得到原图：1/8（大小：52×52）、1/16（大小：16×26）、1/32的特征图（即feature map），这个过程就是所谓的特征提取过程。
可能大家想问得到这3个不同尺寸的feature map有什么用呢？为什么要分3个featrue map？
传统的faster-RCNN采用了2000个锚框，而yolov3跨时代的只采用了9个，世界上的矩形框可以分为：大、中、小，每个大小又对应三种框即（这就是yolov3最精妙的地方之一）：
有了3个不同尺寸的feature map，本应该直接利用这些特征进行分类检测的，但考虑到这样的特征层可能表现能力不够，或者说，提取的这些特征不能充分的反应原图中的目标信息。所以接下来需要将3个特征图进行特征融合，以获得更强的特征表现力，从而达到更好的效果；其中由于尺寸不一样，中间需要进行上采样以及下采样（其实就是卷积），使特征图变成相同大小，然后进行堆叠、融合及相应的卷积等操作后，得到最终的3个特征层，即上图中的13×13×255（Y1）、26×26×255（Y2）、52×52×255（Y3），这3个特征图恰好分别为原图像x的1/32、1/16、1/8.
到这，其实整个YOLOV3的框架基本上就讲完了。
综上所述，对于整个框架，我们抛开其他的细节不看，其实就是将一张大小为416×416×3的输入图像x，经过大量的卷积操作，变成了比它小得多的特征图。下面进行原理讲解:
