YOLO模型V1版本

1、论文里提到bounding box的（x，y）值表示什么意思呢？

原论文：

Each bounding box consists of 5 predictions: x, y, w, h, and confidence. The (x, y) coordinates represent the center of the box relative to the bounds of the grid cell. 

意思好像是x和y是相对于网格（grid cell）的位置，我的理解：

①网格（grid cell）：指的是将图像先resize为448x448后再划分为7x7，形成的49个网格。

②相对于网格的什么地方：相对于网格的左上角的位置

③bounding box指的是什么：用于计算待预测物体位置的信息，因为x、y、w、h并不是物体在原始图像中的真实坐标及大小。

④怎么计算x、y、w、h：模型经过训练后直接预测得到。 

 2、模型如何直接预测得到bounding box中的x、y、w、h？

2.1、训练阶段要学习如何拟合x、y、w、h：

①、图片中每个物体都被标记了一个矩形框，所以我们有该矩形框的左上角坐标和中心点坐标。

②、我们已经把图片resize并划分为7x7的网格了，知道每个网格的左上角的x和y坐标，同时也知道每个网格的长和宽包含的坐标个数。

③、物体的真实矩形框的中心坐标（X_m,Y_m）肯定落在划分的7x7的网格中的某一个中，比如网格：G，它的左上角坐标为(X_g,Y_g)

④、可以用②和③的信息得到（X_m,Y_m）到(X_g,Y_g)的偏移量（也就是训练时要拟合的回归值，而在预测阶段就是要预测的bounding box中的x、y值），

⑤、在训练时知道每个gred对应的（n个）bounding box的长和宽，同时也有图像的大小（448x448），那就知道了训练时要拟合的相对w和相对h，在预测阶段也是预测相对的w和相对的h。

2.2、预测阶段得到偏移量（x，y）和相对宽高（w、h）的逻辑是什么？

抽象一点说：

        在训练阶段送给网络的数据是（49x2）个bounding box框内的图像数据（这种说法严格来说是不准确的），分别抽取其范围内的特征，用这些特征和模型不断更新的权重参数进行计算（不断调整误差、减少损失），最终确定了模型的参数， 这些参数即可以给出（网格或网格对应的2个bounding box）包含物体的置信度，也可以给出模型认为（或预测）的物体的中心位置应该离该网格左上角的偏移位置、以及该网格对应的bounding box应该缩放的比例，同时也会给出该网格或其对应的2个bounding box分别属于20个物体类别的概率。

简单一点说：就是先使用模型的提取特征的层（卷积层）提取特征（该特征包含的信息比较多，可解释性比较差，说不清到底是什么），在后面的任务层（全连接层）也有保存好的模型参数，使用这些参数和卷积得到特征进行计算，就得到了前述的三种信息（boundingbox 应该有的偏移量及缩放量、存在物体的置信度、属于哪类物体的概率）。

不知道理解的对不对，希望大佬们多多指教。