在320×320的图像上，YOLOv3运行速度达到了22.2毫秒，mAP为28.2。其与SSD一样准确，但速度快了三倍，
mAP是什么？还不懂
改进点
1.Darknet-53特征提取网络
不同于Darknet-19，YOLO v3中使用了一个53层的卷积网络，除去最后一个FC总共52个卷积用于当做主题网络，主题网络被分成3个stage,结构类似FPN,1-26层卷积为stage 1, 27-43层卷积为stage 2,44-52层卷积为stage 3, 低层卷积（26）感受视野较小，负责检测小目标，深层卷积（52）感受野大，容易检测出大目标，这个网络由残差单元叠加而成。根据作者的实验，在分类准确度上跟效率的平衡上，这个模型比ResNet-101、 ResNet-152和Darknet-19表现得更好。
2. 运行网络，YOLO的CNN网络把图片分成S*S个网格（yolov3多尺度预测，输出3层，每层S*S个网格，分别为13*13， 26*26， 52*52），然后每个单元格负责去检测那些中心点落在该格子内的目标，如图所示，每个单元格需要预测3*(4+1+B)个值，如果将输入图片划分为S*S网格，那么每层最终预测值为S*S*3*(4+1+B)大小的张量。B：类别数（coco集为80类），即B=80，3为每层anchorbox数量，4为边界框大小和位置（x,y,w,h),1为置信度。
3. 通过NMS，非极大值抑制，筛选出框boxes,输出框class_boxes和置信度class_box_scores,再生成类别信息classes,生成最终的检测数据框，并返回
2.多尺度
yolov3多尺度预测，13*13， 26*26， 52*52
小尺度：13*13的feature map,
网络接收一张（416*416）的图，经过5个步长为2的卷积来进行降采样（416/2^5=13）.输出 （13*13）
中尺度：26*26的feature map,
从小尺度中的倒数第二层的卷积陈上采样（x2, up sampling)再与最后一个13x13大小的特征图相加，输出 （26*26）
大尺度：52*52的feature map,
操作同中尺度输出52*52
3. anchor box
anchor box一共有9个，由k-means聚类得到，在COCO数据集上，9个聚类是：（10*13）;（16*30）;（33*23）;（30*61）;（62*45）; （59*119）; （116*90）; （156*198）; （373*326）。
不同尺寸特征图对应不同大小的先验框。
13*13feature map对应【（116*90），（156*198），（373*326）】
26*26feature map对应【（30*61），（62*45），（59*119）】
52*52feature map对应【（10*13），（16*30），（33*23）】
原因：特征图越大，感受野越小。对小目标越敏感，所以选用小的anchor box。
特征图越小，感受野越大。对大目标越敏感，所以选用大的anchor box。
3.类别预测
为了实现多标签分类，模型不再使用softmax函数作为最终的分类器，而是使用logistic作为分类器，使用 binary cross-entropy作为损失函数。
keras提供了multi_gpu_model函数用来进行数据并行和设备并行，但是看官方文档只有train部分的例子，并没有inference部分的例子。