yolo理解

1.将输入图像分为S*S份，如7*7，每个网格进行预测，即有两次（实际为B）猜的机会，一次猜5+C个数，分别为目标矩形中心坐标(x,y)，宽度w，高度h，以及该预测矩形与gt的IOU，可理解为一个概率值（最终选择哪个框主要看概率，概率大保留，概率小排除），以及该目标对应C个类别的概率，如：车、人等。最终得到S*S*（5*B+C）维矩阵。

2.与真实值对比，每个网格有无目标已知（1或者0），有目标物体的话，根据gt就能知道该网格对应的真实x，y，w，h为多少，所属类别已知，IOU根据pred_box和gt_box计算。

3、损失计算：每个预测是范围不同，影响不同，直接用均方差不适合。如：x、y、w、h被归一化到当前网格， 范围[0,1]，在回归过程中主要关注坐标，因此加权值较大，论文中取5；如果网格里没有目标，p=0，此时标签近似为0，则不太需要关注其回归情况，取较小的权值（0.5）减小影响；减小窗口大小对小目标的影响，开根号