YOLOv3 网络结构

YOLOv3一共107层，其中，0到74层为卷积层和res层；75-105为yolo层，具备检测功能，分类和回归。采用逻辑回归预测box

1.每一个小的卷积层内容：

conv2d+BatchNorm2d+LeakyRELU

这样的卷积结构先是有4个，

2.shortcuts:即skip步骤，resnet结构

输入与输出保持一致。为了解决网络的梯度弥散或者梯度爆炸的现象，提出将深层神经网络的逐层训练改为逐阶段训练，将深层神经网络分为若干个子段，每个小段包含比较浅的网络层数，然后用shortcut的连接方式使得每个小段对于残差进行训练，每一个小段学习总差（总的损失）的一部分，最终达到总体较小的loss，同时，很好的控制梯度的传播，避免出现梯度消失或者爆炸等不利于训练的情形。

3.yolo层，检测层

从75到105层为yolo网络的特征交互层，分为三个尺度，每个尺度内，通过卷积核的方式实现局部的特征交互，作用类似于全连接层但是是通过卷积核（3*3和1*1）的方式实现feature map之间的局部特征（fc层实现的是全局的特征交互）交互。

最小尺度yolo层： 
输入：13*13的feature map ，一共1024个通道。
操作：一系列的卷积操作，feature map的大小不变，但是通道数最后减少为75个。
输出；输出13*13大小的feature map，75个通道，在此基础上进行分类和位置回归。
中尺度yolo层：

输入：将79层的13*13、512通道的feature map进行卷积操作，生成13*13、256通道的feature map，然后进行上采样，生成26*26、256通道的feature map，同时于61层的26*26、512通道的中尺度的feature map合并。再进行一系列卷积操作，
操作：一系列的卷积操作，feature map的大小不变，但是通道数最后减少为75个。
输出：26*26大小的feature map，75个通道，然后在此进行分类和位置回归。
大尺度的yolo层：

输入：将91层的26*26、256通道的feature map进行卷积操作，生成26*26、128通道的feature map，然后进行上采样生成52*52、128通道的feature map，同时于36层的52*52、256通道的中尺度的feature map合并。再进行一系列卷积操作，
操作：一系列的卷积操作，feature map的大小不变，但是通道数最后减少为75个。
输出：52*52大小的feature map，75个通道，然后在此进行分类和位置回归。

4.本文引用：https://blog.csdn.net/wwwhp/article/details/82113678