网络结构
卷积层+池化层+全连接层
输入 448 ∗ 448 448*448 448∗448大小的图片
输出 7 ∗ 7 ∗ 30 7*7*30 7∗7∗30的张量
30维张量包括20个对象的概率，2个bounding box的置信度及其位置（一个bounding box位置信息需要四个值，两个bounding box总需要8个值）
20个对象的概率即为条件概率，如果该网格中存在一个检测对象，那么该检测对象为类别A的概率： p ( P A ∣ e x i s t _ o b j e c t s ) p(P_A|exist\_objects) p(PA∣exist_objects)
2个bounding box的置信度，其中置信度=p(exist_objects) * 该预测的bounding box与该对象的真实边框的IOU值
两个bounding box的置信度分别于20个类别的概率相乘，可得到分在在两个bounding box中的每一类的概率。
重点分析
bounding box相关内容
每一个网格给出两个bounding box信息，但一个对象只需要一个bounding box。为此，通过一定的个标准进行舍取。
输出的30维向量中，包含两个bounding box的置信度，该置信度反应出预测框与真实框IOU交并比。那么两个框IOU交并比，谁大就由谁负责预测一个对象，并且 p ( e x i s t _ o b j e c t s ) p(exist\_objects) p(exist_objects)为1，另一个bounding box的 p ( e x i s t _ o b j e c t s ) p(exist\_objects) p(exist_objects)为0。那么根据公式可知置信度其实就为IOU交并比值。
grid cell 与 bounding box
将图片分成 7 ∗ 7 7*7 7∗7的网格（grid cell）,每一个grid cell生成两个预测框bounding box，该预测框的中心点都落在该grid cell格子内部。每一个grid cell只能预测一个物体。
损失函数
公式分析，其中 1 i o b j 1_i^{obj} 1iobj表示网格 i i i存在检测对象， 1 i j o b j 1_{ij}^{obj} 1ijobj表示网格 i i i的第 j j j个bounding box存在检测对象， 1 i j n o b j 1_{ij}^{nobj} 1ijnobj表示网格 i i i的第 j j j个bounding box不存在检测对象
第一行表示边框中心点的误差，grid cell中负责预测的bounding box框与真实框的误差
第二行表示预测框相对于真实框的宽和高的误差。其中开方旨在降低因为大小不同带来的敏感问题
第三行表示置信度误差，即边框内存在对象， C i ˉ \bar{C_i} Ciˉ越高越好
第四行也表示置信度误差，即边框内不存在对象， C i ˉ \bar{C_i} Ciˉ越低越好
最后一行表示对象分类误差