共计 574 个字符，预计需要花费 2 分钟才能阅读完成。
摘要：
yolov3 与 yolov2 相比，次要改良三个方面，对应论文的 2.2-2.4 三个章节，其余思维根本连续 yolov2：
1. 预测形式
摒弃了 softmax 预测的方法（因为发现对晋升性能没有带来帮忙），而是采纳了多标签多分类的逻辑回归层，解释一下我的了解，yolov2 的时候预测是用 softmax 实现的，其预测后果蕴含每个 grid cell 负责预测对应对象的每个类别的概率（比方 coco 数据集是 80 类，即有这个物体可能是这 80 个类别对应的概率，总和为 1，必然有最大概率值的那个，通过非极大值克制最初选出一个概率最大的那个类别作为后果），能够看出 yolov2 其实还是一个 gird 只能预测一个对象是一种类别，显然不适宜多标签的预测状况（比方预测的对象即是猫类别，也是蓝猫类别，这样的多标签后果），而且作者也提及 softmax 并没有为性能晋升带来帮忙，用多个独立的 logistic 回归（转为二分类问题）也能实现成果，而且能够解决多标签预测问题。
2. 预测模型采纳多尺度预测
最初预测后果会生成三种尺寸的特色图，由三个 yolo 层解决得来，别离是 $13*13,26*26,52*52$, 每个尺寸对应三个先验框，即三个先验框解决得出一个预测框，这样的目标是为了实现对不同尺寸物体的检测，特色越大的适宜检测小物体。
3. 改良了网络结构，darknet-53
网络结构图出处起源