思想：yolo主模型输出三个特征图，如（？，13，13，anchor_num*(5+num_classes))、(？，26，26，anchor_num*(5+num_classes))、(？，52，52，anchor_num*(5+num_classes))，之后如尺度为13的特征图 会 变形为（？，13，13，anchor_num，5+num_classes），最后一维前五个分别为4个框值xywh和1个框中含有物体的置信度。
后面为各类别概率。 ？为batch,13*13 为检测的尺度，最后会还原成：框坐标（？*13*13*3，4），相当于每张图检测了13*13*3个框（当然有很多无效的和重复的，之后会筛选），3是对应于一层3个anchor中心值，此值是原框d w聚类来的。
一张图相当于输出3层特征图，第一层相当于检测了13*13*3个框，第二三层相当于检测了26*26*3和52*52*3个框，所以说大尺寸检测的小物体，小尺寸检测的大物体，然后把三层检测的框纵向拼接到一起，在进行筛选。
每里面的最大框数 是指某一类别的框不超过最大框数，所有类别加一起有可能超过最大框数
anchor:相当于每张图会生成13*13*3（26和52） 个框，每个框都去和9个anchor做交叉比iou，选出交叉比比大于阈值的，这样虽然选的很糙，但之后会有边界框修正操作。就是相当于先找了几个固定位置，让选的框不要偏离这几个位置太多。之后在对选出的框作偏移修正。
论文解读
https://blog.csdn.net/yangchengtest/article/details/80664415