首先搞清yolo检测网络的输入输出：
最终输入的是416*416的三通道图像，输出的是三个尺度特征图上的预测张量。
第一尺度：13*13，对此特征图使用最大的三个anchor box,最终得到13*13*3*（4+1+num_class）维度的张量。此尺度的特征图对原图来说有最小的分辨率，这个anchor尺寸适宜检测大物体。特征图每个像素点感受野为32*32，即原图片空间划分的每个grid的尺寸为32*32
第二尺度：26*26，此尺度由第一尺度featuremap上采样并融合而来，对此特征图使用中间大的三个anchor box,最终得到26*26*3*（4+1+num_class）维度的张量。此尺度的特征图对原图来说有中间大小的分辨率，这个尺度anchor适宜检测中等尺度的物体。特征图每个像素点感受野为16*16，即原图片空间划分的每个grid的尺寸为16*16
第三尺度：52*52，此尺度由第二尺度featuremap上采样并融合而来，对此特征图使用最小的三个anchor box,最终得到52*52*3*（4+1+num_class）维度的张量。此尺度的特征图对原图来说有最大分辨率，此尺度anchor最适宜检测小物体。特枕图每个像素点感受野为8*8，即原图片空间划分的每个grid的尺寸为8*8。
每一个pred_box都是（4+1+num_class）维度，4通过struct box box实现。完整的pred_box张量用结构体detection实现的。
得到的所有的bouding box先用物体得分obj_score = 0.5粗过滤，然后剩下的再用类别置信度和IOU阈值做。
通过找到最大类别概率大于阈值的anchor，予以显示preb_box。且如果有其它分类概率，大于阈值，那么也会在box旁打印概率。
(4+Confidence+C)：
Confidence =（是目标的概率P）*（框到了目标多少部分IOU）。
C是条件类别概率：已知是目标的前提下，属于某类别的概率。
图片空间分三个尺度划分Grid：（三种划分方法，每种划分其grid内都有3个anchor）
s = 32*32
s = 16*16
s = 8 * 8
每个grid放置3个尺度的anchor box
如何确定物体被哪个区域的anchor预测？物体中心落在哪个grid里，就用这个gird里对应的3个anchor负责预测。
如何确定哪个anchor负责预测目标？这9个anchor与GT_box交并比最大的那个anchor负责预测。
每个格子上的每个anchor都是一个回归器，所有这些回归器是独立的。