YOLOv3

arxiv18，文章写的很随性， 算是作者的记录性的文章吧。没有太多大的创新，主要是从别的文章里借鉴了几个好的点， 加进去，使YOLOv2的精度进一步提升， 速度下降了一些， 但还可以。YOLOv2的小物体检测问题这里也改善了不少。

几个改进：

1.  Darknet-53 取代Darknet-19, 更深，采用残差网络思想。

2. 多尺度检测， 其实YOLOv2采用了passthrough结构来检测细粒度物体， 这里借鉴FPN思想， 在网络三个不同分辨率的feature map进行检测。

3. 9种尺度的先验框。依然是k-means的方法， 为3个不同尺度feature map分配三个框。

4. 对象分类采用logistic不用softmax， 应对相似标签物体检测(如women和person）。

YOLOv2在13*13 feature map上检测， 每个像素5个先验框， 共产生预测个数使：13*13*5；而v3则一共产生：（13*13+26*26+52*52）个预测，超过v2的10倍。

最后v3在coco上的表现也很好， 虽然AP(IOU:0.5-1.0)的表现一般， 但是AP50表现非常好，就是在检测准确度要求不是太高的情况下， v3是很好的选择。它的速度是同精度算法的3-4倍。