YOLOv3僅使用卷積層，使其成為壹個全卷積網絡（FCN）。文章中，作者提出壹個新的特征提取網絡，Darknet-53。正如其名，它包含53個卷積層，每個後面跟隨著batch normalization層和leaky ReLU層。沒有池化層，使用步幅為2的卷積層替代池化層進行特征圖的降采樣過程，這樣可以有效阻止由於池化層導致的低層級特征的損失。Darknet-53網絡如下圖左邊所示。
輸入是 。輸出是帶有識別類的邊界框列表，每個邊界框由 六個參數表示。如果 表示80個類別，那麽每個邊界框由85個數字表示。
在YOLO中，預測過程使用壹個 卷積，所以輸入是壹個特征圖。由於使用 卷積，因此預測圖正好是特征圖大小（ 卷積只是用於改變通道數）。在YOLOv3中，此預測圖是每個cell預測固定數量的邊界框。
如上圖所示，預測圖的深度為75，假設預測圖深度為 ， 表示每個cell可以預測的邊界框數量。這些 個邊界框可以指定檢測到壹個物體。每個邊界框有 個特征，分別描述中心點坐標和寬高（四個）和物體分數（壹個）以及 個類置信度（上圖中 ）。YOLOv3每個cell預測三個邊界框。
如果對象的中心（GT框中心）落在該cell感受野範圍內，我們希望預測圖的每個單元格都能通過其中壹個邊界框預測對象。其中只有壹個邊界框負責檢測物體，首先我們需要確定此邊界框屬於哪個cell。
為了實現上面的想法，我們將原始圖像分割為最後預測圖維度大小的網格。如下圖所示，輸入圖像維度為 ，步幅為32（最後的預測圖降采樣32倍），最後預測圖維度為 ，所以我們將原始圖像劃分為 的網格。
直接預測框的寬高會導致訓練時不穩定的梯度問題，因此，現在的很多目標檢測方法使用log空間轉換或者簡單的偏移（offset）到稱為錨框的預定義默認邊界框。然後將這些變換應用到錨框以獲得預測，YOLOv3具有三個錨框，可以預測每個單元格三個邊界框。
錨框是邊界框的先驗，是使用k均值聚類在COCO數據集上計算的。我們將預測框的寬度和高度，以表示距聚類質心的偏移量。
以下公式描述了如何轉換網絡輸出以獲得邊界框預測：
這裏 分別是我們預測的中心坐標、寬度和高度。 是網絡的輸出。 是網格從頂左部的坐標。 是錨框的維度（見下圖）。
通過sigmoid函數進行中心坐標預測，強制將值限制在0和1之間。YOLO不是預測邊界框中心的絕對坐標，它預測的是偏移量：相對於預測對象的網格單元的左上角；通過特征圖cell歸壹化維度。
例如，考慮上面狗的圖像。如果預測中心坐標是 ，意味著中心在 （因為紅色框左上角坐標是 ）。但是如果預測的坐標大於1，例如 ，意味著中心在 ，現在中心在紅色框右邊，但是我們只能使用紅色框對對象預測負責，所以我們添加壹個sidmoid函數強制限制在0和1之間。
通過對輸出應用對數空間轉換，然後與錨框相乘，可以預測邊界框的尺寸（如上面的計算公式）。
物體分數表示壹個邊界框包含壹個物體的概率，對於紅色框和其周圍的框幾乎都為1，但邊角的框可能幾乎都為0。物體分數也通過壹個sigmoid函數，表示概率值。
類置信度表示檢測到的物體屬於壹個具體類的概率值，以前的YOLO版本使用softmax將類分數轉化為類概率。在YOLOv3中作者決定使用sigmoid函數取代，原因是softmax假設類之間都是互斥的，例如屬於“Person”就不能表示屬於“Woman”，然而很多情況是這個物體既是“Person”也是“Woman”。
為了識別更多的物體，尤其小物體，YOLOv3使用三個不同尺度進行預測（不僅僅只使用 ）。三個不同尺度步幅分別是32、16和8。這意味著，輸入 圖像，檢測尺度分別為 、 和 （如下圖或者更詳細如圖2所示）。
YOLOv3為每種下采樣尺度設定3個先驗框，總***聚類9個不同尺寸先驗框。在COCO數據集上9個先驗框分別是： 。下表是9個先驗框分配情況：
我們的網絡生成10647個錨框，而圖像中只有壹個狗，怎麽將10647個框減少為1個呢？首先，我們通過物體分數過濾壹些錨框，例如低於閾值（假設0.5）的錨框直接舍去；然後，使用NMS（非極大值抑制）解決多個錨框檢測壹個物體的問題（例如紅色框的3個錨框檢測壹個框或者連續的cell檢測相同的物體，產生冗余），NMS用於去除多個檢測框。
具體使用以下步驟：拋棄分數低的框（意味著框對於檢測壹個類信心不大）；當多個框重合度高且都檢測同壹個物體時只選擇壹個框（NMS）。
為了更方便理解，我們選用上面的汽車圖像。首先，我們使用閾值進行過濾壹部分錨框。模型有 個數，每個盒子由85個數字描述。將 分割為下面的形狀：box_confidence： 表示 個cell，每個cell5個框，每個框有物體的置信度概率；boxes： 表示每個cell5個框，每個框的表示；box_class_probs： 表示每個cell5個框，每個框80個類檢測概率。
即使通過類分數閾值過濾壹部分錨框，還剩下很多重合的框。第二個過程叫NMS，裏面有個IoU，如下圖所示。
下圖給出更加詳細的輸入輸出情況：
文章原文： /analytics-vidhya/yolo-v3-theory-explained-33100f6d193
論文原文： /media/files/papers/YOLOv3.pdf
YOLOv3深入理解： /p/d13ae1055302
keras實現YOLOv3博客： /yolo-v3-object-detection-53fb7d3bfe6b