1.yolov1
即用的栅格
BOXNUM*5 + classnum
用的googlenet以及全连接层
yolov2
1.batchnorm
2.高分辨率
3.13*13 （416/32） 取消全连接，卷积和anchor boxes来预测边界框
4.Dimension Clusters
采用k-means聚类方法对训练集中的边界框做了聚类分析。五个先验框
COCO: (0.57273, 0.677385), (1.87446, 2.06253), (3.33843, 5.47434), (7.88282, 3.52778), (9.77052, 9.16828)
VOC: (1.3221, 1.73145), (3.19275, 4.00944), (5.05587, 8.09892), (9.47112, 4.84053), (11.2364, 10.0071)5 Fine-Grained Features
passthrough层
对于26*26*512的特征图，经passthrough层处理之后就变成了13*13*2048的新特征图（特征图大小降低4倍，而channles增加 4倍，图6为一个实例），这样就可以与后面的13*13*1024特征图连接在一起形成13*13*3072的特征图
6.Multi-Scale Training
yolov3
1.
多尺度预测 （类FPN）
更好的基础分类网络（类ResNet）和分类器
YOLOv3不使用Softmax对每个框进行分类，主要考虑因素有两个：
- Softmax使得每个框分配一个类别（score最大的一个），而对于
Open Images这种数据集，目标可能有重叠的类别标签，因此Softmax不适用于多标签分类。 - Softmax可被独立的多个logistic分类器替代，且准确率不会下降。
分类损失采用binary cross-entropy loss.
yolov3在三个(num=3)不同的尺度预测boxes，yolov3使用的特征提取模型通过FPN（feature pyramid network）网络上进行改变，最后预测得到一个3-d tensor，包含bounding box信息，对象信息以及多少个类的预测信息。
（13*13+26*26+52*52）*3和13*13*5相比哪个更多应该很清晰了。
yolov3的特征提取模型是一个杂交的模型，它使用了yolov2，Darknet-19以及Resnet
类别预测方面主要是将原来的单标签分类改进为多标签分类
residual结构：训深层网络难度大大减小，因此这里可以将网络做到53层，精度提升比较明显
Loss不同：将YOLO V3替换了V2中的Softmax loss变成Logistic loss，而且每个GT只匹配一个先验框；
Anchor bbox prior不同：V2用了5个anchor，V3用了9个anchor，提高了IOU；
Detection的策略不同：V2只有一个detection，V3设置有3个，分别是一个下采样的，Feature map为13*13，还有2个上采样的eltwise sum，Feature map分别为26*26和52*52，也就是说，V3的416版本已经用到了52的Feature map，而V2把多尺度考虑到训练的data采样上，最后也只是用到了13的Feature map，这应该是对小目标影响最大的地方；
backbone不同：V2的Darknet-19变成了V3的Darknet-53，这与上一个有关。