首先，将输入图片压缩到416×416，通过特征提取网络（Darknet53 without FC layer）对输入图像提取特征得到大小一定的特征图，比如13×13，然后将输入图像分成13×13个网格（grid cells），接着如果GT中某个目标的中心坐标落在哪个grid cell中，那么就由该grid cell来预测该目标。每个grid cell都会预测3个边界框。预测得到的输出特征图共有三个维度，第三个维度是深度。
Yolov3输出了三个不同尺度的特征图。采用多尺度对不同大小的目标进行检测，越精细的grid cell就可以检测出越精细的物体。三个尺度的深度都是255（3×（5+80））。
根据图来说明过程：
流程：首先输入尺寸416×416，然后进入darknet特征提取网络，右边图（不算分支，也是左边图虚线中内容），其中经过五次下采样，还是用了残差结构，目的是使网络结构在很深的情况下，仍能收敛，继续训练下去。然后到左边图，虚线中输出的尺寸是13×13，然后在经过DBL特征提取，以及最后蓝色的卷积（我猜是用来代替全连接分类的），输出第一个尺度13×13。
接着用虚线输出的特征图经过DBL后的13×13的特征图上采样后与倒数第二次下采样的结果相加，二者都为26×26，然后在进行和尺度一同样的后续操作。
最后是26×26的特征图上采样后与倒数第三次下采样的特征图相加，即还为26×26，在进行后续操作。
总的来说会输出3个不同尺度的特征图，每个尺度的特征图负责预测不同大小的目标。每个特征图对应3种anchor大小不同的负责预测目标。最初图像还被分成13×13个网格，目标落在哪个网格中，哪个网格就负责预测目标，一个网格对应3个anchor（anchor的尺寸根据特征图相对于原图的比例等比缩小）。
预测时，yolov3采用多个独立的逻辑分类器来计算属于特定标签的可能性，在计算分类损失时，它对每个标签使用二元交叉熵损失，降低了计算的复杂度。
