YOLOv3论文地址：YOLOv3: An Incremental Improvement。
YOLOv3对网络做了一些改进，网络与v1和v2相比更加复杂，但是检出准确性更高。
一、Bounding Box Prediction
YOLOv3的anchor boxes同之前一样也是通过聚类方法得到的。网络为每个bounding box预测四个坐标值tx, ty, tw, th，如果cell相对于图像的左上角偏移了cx，cy，并且已知bounding box的宽pw，高ph，则预测值的计算方式如下：
在训练时使用的是sum of squared error loss。
YOLOv3对每个bounding box通过 logistic regression预测一个得分，如果这个bounding box与ground truth重合较好并且重叠部分大于其他的bounding box，那么预测值为1。如果一个bounding box不是最佳但是和ground truth的重叠大于设定的阈值（论文中设为0.5），则预测值为0，忽略这个预测，不计入loss。
二、Class Prediction
因为存在多标签分类的情况（Open Images Dataset），所以YOLOv3用 logistic classifiers代替了softmax。在训练中使用的是 binary cross-entropy loss。
三、Predictions Across Scales
YOLOv3在三个不同的尺度上预测boxes，在这几个尺度上提取特征使用的是类似feature pyramid networks。在原来的特征提取结构基础上增加了若干个卷积层。最后预测得到一个3-d的tensor，包含bounding box，objectness和class predictions。
在COCO数据集上，在每个尺度上预测3个boxes，所以输出的tensor是N x N x [3 * ( 4 + 1 + 80)]，其中4代表bounding box的四个坐标，1代表objectness prediction，80表示COCO数据集的预测类别。
接着，从倒数第二层的卷积层上采样(x2)再与最后一个特征图相加,再次通过多个卷积后输出box信息，相比尺度1变大两倍；
再次上采样，与之前类似。
采用这种方式使得模型可以获取到更多的语义信息，模型得到了更好的表现。
YOLOv3依然使用k-means聚类来得到bounding box的先验信息，挑选出9个clusters和3个尺度，将9个clusters均匀分布在3个尺度上。
四、 Feature Extractor
这里特征提取使用了新的网络结构，融合了YOLOv2， Darknet-19和resNet。
YOLOv3使用了连续的3x3和1x1卷积层，但是增加了一些shortcut connection，网络更大了，有53个卷积层，就是Darknet-53。
尽管网络更加复杂，但是效率依然很高。
