需要理解下图坐标、置信度和分类参数意义
网络最末端的卷积层输出的15×15大小的特征图，每一个像素的每一个通道都代表了一个输出指标。
损失函数
损失函数分为三部分，分别是BBox误差损失、IOU误差损失和类概率损失，重点需要理解IOU损失。
注意求和的范围是每一个最终7乘7或15乘15的格子上的所有anchor
BBox损失
带有λcoord的部分，坐标位置采用均方误差，宽高采用开根号后的均方误差。
前面的1obj表示该单元格是否负责预测目标，是的话为1，否为0.
原因是由于作者认为小的BBOX偏差大的话带来的精度影响大于同等大小偏差下的大的BBOX的偏差，因此开根号中和这种影响。
IOU（置信度）损失
带有Ci的损失项，Cij=Pr(Object)∗IOU，表示该anchor的置信度
对于负责预测的格子，计算其预测与GT的IOU损失
对于不负责的格子，找到所有置信小于阈值（如0.5或0.3）的格子，由于一幅图上负样本较多，前面加上权重系数λnoobj很小，防止负样本的损失贡献太大使得正样本的损失被忽略，导致网络训练不好。这一步只在网络初始训练时使用，中期末期可以忽略这一步。
分类损失
很好理解，就是类别的onehot向量均方损失。