前言
现阶段机器学习的多目标识别领域中，yolo是相当有优势的。我们在此使用的是yolov3，yolov3并没有太多创新，但以v1和v2为基础，保持速度的优势下，提高了预测精度。最大的进步可能体现在对小物体的识别能力上。
个人认为，如果觉得yolov3的资料太少的话，可以查找yolov2的资料，可以试着先理解v2的内容。
一些概念
tensorflow
一个框架，个人认为是方便实现一个神经网络模型的框架。官方解释为
一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现 。
yolov3
一种算法，用于多目标识别。
darknet
darknet是一种网络结构，并被yolov3所使用，用于图像特征提取。yolov3采用了darknet53（含有53个卷积层），还吸收了残差网络的做法。在yolov3中，是不存在池化层的。
残差网络可以很好的解决深度学习里的退化问题，即：随着深度的加深，训练误差和测试误差反而更大。
多尺度特征
yolov3可以很好地检测大中小对象，这是运用到了多尺度特征。如何识别大中小对象，其实是根据对特征图的上采样（或者下采样）完成的。
上采样：放大图片，增加分辨率。多采用内插值法，即在原图的基础上，在像素点之间插入合适的新元素。
下采样：生成对应图像的缩略图，使得图像符合显示区域大小。如mn图片下采样s倍，即把原图片在ss窗口的内容，打成一个像素点。
多尺度训练
多尺度训练在yolov2时就被引入了，引入的目的是为了让模型有更加好的鲁棒性，即输入图片不需要固定大小。
具体来说，就是每间隔一定的batch，去改变输入图片的大小。
在yolov2中，输入图片最小为320320，最大为608608，这个需要确认一下?
先验框
先验框是可以帮助网络更好的预测。设置先验框，可以让ground truth与预测框的IOU更好，从而更好的训练学习。先验框可以使用kmeans函数计算而得。（训练关键之一）
yolov3有9种先验框，分配上，在分辨率为13x13特征图上（有最大的感受野）应用较大的先验框(116x90)，(156x198)，(373x326)，适合检测较大的对象。中等的2626特征图上（中等感受野）应用中等的先验框(30x61)，(62x45)，(59x119)，适合检测中等大小的对象。较大的5252特征图上（较小的感受野）应用较小的先验框(10x13)，(16x30)，(33x23)，适合检测较小的对象。
资料
《yolov3深入理解》 //www.greatytc.com/p/d13ae1055302
