图片大小：448 * 448 —> 7 * 7 *（5 * B + C）

5：每个框的x,y,w,h,confidence;
B=2：在7*7的feature上，每个cell会生成2个预测框；
C：类别数。

损失函数

坐标中心误差和位置宽高的误差，其中1^obj_ijj表示第i个网格中的第j个预测框是否负责obj这个物体的预测，只有当某个预测框对某个物体负责的时候，才会对box的coordinate error进行惩罚，而对哪个物体负责就看其预测值和GT box的IoU是不是在那个网格的所有box中最大。

置信度分成两部分，一部分是包含物体时置信度的损失，一个是不包含物体时置信度的值。
其中前一项表示有无人工标记的物体落入网格内，如果有，则为1，否则为0。第二项代表预测框bounding box和真实标记的box之间的IoU。值越大则box越接近真实位置。
confidence是针对预测框bounding box的，由于每个网格有两个bounding box，所以每个网格会有两个confidence与之相对应。

从损失函数上看，当网格i中的第j个预测框包含物体的时候，用上面的置信度损失，而不包含物体的时候，用下面的损失函数。对没有物体的预测框的置信度损失，赋予小的loss weight， 记为在pascal VOC训练中λ _noobj 取0.5，有有物体的预测框的置信度损失和类别的loss的loss weight正常取1。

类别损失这里也用了均方误差。其中 1^obj_i 表示有无物体的中心点落到网格i中，如果网格中包含有物体object的中心的话，那么就负责预测该object的概率

缺点

1、使用了dropout，未使用BathcNormal；
2、只生成2种预测框，对外形变化大的物体识别不好；
改进：锚框变多，尺度变多；
2、最终生成的feature为7*7，过小，哪怕在损失函数里对w、h开方后再计算，对小目标识别也不友好；
改进：扩大生成的feature大小，使用多尺度训练；
3、使用的softmax，每个cell只能预测一个类别，对图片上类别较多较密集的漏检；
改进：使用sigmoid