YOLO v3可以说是单阶段检测器中的佼佼者，融合了多个框架的优势，在保持模型简洁性的同时，性能上也在当时达到了stoa。
YOLO v3的主干网络是darknet-53的前面的52层，所以它是一个全卷积网络，并且为了降低池化带来的梯度负面效果，不再使用poolling，用conv的stride来实现降采样。
为了提高小目标的检测精度，YOLO v3中采用类似FPN的上采样和融合做法，最后融合了3个scale，在多个scale的feature map上做检测。
现在我开源了一个基于tensorflow-2.x的yolov3实现。
目前支持
1.最友好的新手教程，python train.py直接可以观看整个训练过程，甚至不需要gpu
2.自定义训练，支持yolo的txt文件格式
3.kmeans的anchor聚类
4.训练时可视化
准备支持
1.预训练模型，多尺度训练
2.转换到tflite，一站式部署
3.更加丰富友好的数据增强以及可视化
敬请期待，代码开源在github，yolo3源码
