相比较于前两篇论文，个人感觉YOLO3作者有点来搞笑的！！！虽然加了一些新的点子进来，但是，论文的开头是这样的：
简单理解就是作者花了很多时间玩Twitter去了，所以没有做啥研究！！！！
然后：
你可以引用自己的论文吗？猜猜谁会这么做，就是这家伙，然后我发现链接竟然是他自己这篇论文：
还有调侃下谷歌、脸书等大公司和目标检测等技术：
很多从事这项研究的在谷歌和脸书，所以我们应该相信他们不会用技术来采集我们的信息然后拿来卖！！！等等，你是说这才是技术的真正用途？？？？哈哈，投资计算机视觉研究的都是军方的人，他们从未将新技术用来杀人！！！
接着作者说：
希望搞计算视觉的人是出于兴趣做一件快乐的事情，比如数数公园里斑马的数量，跟踪下房子周围的猫！！！！
重要的是接下来的一句，他说：
不要艾特我，我终于退出推特了！！！
好咯，言归正传，那么其实这篇论文相比较前两篇，倒是没啥其他特别的点，总结起来主要也就是新的骨架和多尺度。
一、Bounding Box Prediction
目标边界框的预测实际上也还是沿用YOLO2的做法，网络会预测每个网格中目标边界框的四个坐标tx、ty、tw、th，如果每个网格相对于整体图像的左上角的偏移量为(Cx,Cy)，而先验边界框的宽度和高度为pw、ph，那么由预测值到坐标的映射如下：
训练的时候则是取所有损失的平方和。
YOLO3采用逻辑回归来预测每个边界框的包含目标的分数objectness score，如果边界框与ground truth object的重叠大于其它边界框，那么其分数为1，如果边界框不是最好的，但是与ground truth object的重叠大于一定阈值，那么就忽略该预测。系统只为每个ground truth object分配一个边界框，没有分配的边界框就不会对坐标或者类别的预测造成损失？
二、Class Prediction
类别预测，YOLO3不适用softmax，因为发现没啥特别影响，所以用独立的逻辑分类器。训练的时候用了二元交叉熵损失函数。
三、Predictions Across Scales
多尺度预测，YOLO3使用了三个尺度，借鉴了FPN，使用多尺度。最后一个卷积提取了一个三维的编码了边界框、目标分数和类别预测等信息的张量，以COCO数据集为例子，每个尺度都会预测三个边界盒子，那么每个尺度的张量大小为：
其中4为4个边界框偏移量，1个目标检测分数，80个类别的概率。三个尺度之间的大小关系是彼此2倍的递进的关系。通过上采样将小尺度特征图与大尺度特征图拼接，然后又新加一些卷积层对融合后的特征做了处理。
YOLO3同样使用K均值聚类来计算先验框，对三个尺度计算了9个类，分别为：
四、Feature Extractor
特征提取部分，YOLO3设计了新的骨架，Darknet53，因为用了53个卷积层：
新骨架与Darknet19和其它网络的性能对比如下：
Darknet53的表现还是比较好的。
四、Training
跟YOLO2的做法基本上是类似的。
五、Things We Tried That Didn’t Work
作者做了一些新的尝试，但是没有作用：
1、Anchor box x, y offset predictions：尝试用常规的先验框机制，也就是用线性激活函数预测x、y为边界框宽度和高度的倍数，但是没用。
2、Linear x, y predictions instead of logistic：用线性激活函数直接预测x、y偏移量，而不是用逻辑回归，没用。
3、Focal loss：尝试用Focal loss，但是没用，可能YOLO3对于Focal loss要解决的问题来说已经很溜了，不需要Focal loss了吧，这点作者做了一些测试，但是也说不准。
4、Dual IOU thresholds and truth assignment：尝试采用Faster RCNN采用的双阈值策略，但是没用。
六、YOLO3 表现：
在COCO上与其它算法的对比，不如RetinaNet，但是基本上也还是比SSD好一些(相爱相杀？)