参考文献：《YOLOv3: An incremental improvement（2018）》
YOLO系列的第三个版本，在YOLOv2基础上做了一些小改进，文章篇幅不长，核心思想和YOLOv2差不多。
✔️诞生背景
YOLOv3的提出并不是为了解决什么问题，整篇论文其实是份技术报告。
✔️网络结构
边框预测，定位任务采用锚框方法，框中心是相对于左上角grid_cell的位置，sigmoid归一化0~1；框宽高是相对于聚类先验框中心的偏移。使用平方误差之和的损失。用逻辑回归为每个box都预测一个目标存在分数，依据是预测框与物体的重叠度，若某个框重叠度比其他框都高，他的分数就是1，忽略那些不是最好的框且重叠度大于某一阈值(0.5)的框。
类别预测，不用softmax没必要，只用独立的逻辑分类器，使用二进制交叉熵损失，每个类别概率相互独立。
跨尺度预测，3个不同尺度共9个先验框，使用类似特征金字塔网络(FPN)的方式，独特点是在深度方向上进行拼接，例如在COCO数据集上，在每个尺度上预测3个box，输出三维张量N×N×[3*(4 + 1 + 80)]，小括号内表示为xywh+是否有目标conf+类别数。
特征提取，