一、YOLOv3总体概述
相比于前两代，YOLOv3最大的改进在于网格结构的设计。
核心目标：使其更适合小目标检测。
四大核心升级：
1.特征更细致，融合多尺度特征图预测不同规格物体。
2.先验框更丰富，3种scale，共9种。
3.改进Softmax，支持多标签检测。
4.融入ResNet残差思想，加深网格。
二、核心改进
1.多尺度预测
为了能检测到不同大小的物体。传统的图像金字塔虽然能检测不同大小物体，但计算量大，不利于YOLO的检测速度；所以YOLOv3采用了单一输入，但在网络内部做文章。
YOLOv3不再像v2那样只利用单一特征图，而是类似FPN（特征金字塔）的思想，融合不同尺度的特征图进行预测。
输入图像尺寸为416*416*3。
经过不同倍数的下采样，得到13*13、26*26、52*52三个尺度的特征图。
网格将深层特征上采样与中层特征拼接，再将结果上采样与浅层特征（52*52）拼接，从而实现多尺度融合预测。
2.更深的网格与残差连接
YOLOv3采用了Darknet-53作为核心网格架构（没有池化和全连接层，全是卷积）。
残差连接（ResNet思想）：深层网格容易出现梯度消失，导致训练效果变差。引入残差结构H(x)=F(x)+x)后，允许网格堆叠更多的层进行特征提取。
下采样方式：通过设置卷积的stride（步长）=2来实现下采样，替代了传统的池化层。
3.9种尺度的先验框设计
YOLOv2中使用了5个先验框，YOLOv3增加到了9个。这些先验框是通过对COCO数据集进行K-means聚类得到的。
分配策略：
13*13特征图：感受野大，应用较大的先验框，负责检测大物体。
26*26特征图：感受野中等，应用中等的先验框，检测中等大小对象。
52*52特征图：感受野小，应用较小的先验框，适合检测小目标。
4.多标签分类（Logistic替代Softmax）
在复杂场景中，一个物体可能属于多个类别（例如一个人既是"人"，也是"行人"）。传统的Softmax函数会强制所有类别概率之和为1，强制单标签分类，这在多标签任务中不再使用。
YOLOv3的改进 ：使用多个独立的 Logistic 分类器。对每一个框中每个类别使用Sigmoid激活函数独立计算概率
只要某个类别的概率超过设定的阈值（如0.5），就认为包含该类别。
三、输入到输出的张量解析
YOLOv3的输出是一个3D张量。以COCO数据集（80个类别）为例，每个网格单元会预测3个边界框，每个预测目标的维度是：（4+1+80）=85
4：边界框坐标（tx,ty,tw,thtx,ty,tw,th）
1：边框置信度（Objectness score）
80：对象类别数
因此，三个尺度的输出分别为：
13×13×[3×(4+1+80)]
26×26×[3×(4+1+80)]
52×52×[3×(4+1+80)]
四、总结
YOLOv3在保持极快检测速度的前提下，通过多尺度特征融合 、Darknet-53残差网络 、9种先验框 以及Logistic多标签分类，大幅提升了特别是针对小目标的检测精度，真正做到了"基本上当下经典做法全融入了"。