PS：這篇文章是自己學習紀錄下的筆記，主要是通過閱讀paddle復現的yolov3源碼，其中代碼註釋和圖例非常詳細。
https://www.paddlepaddle.org.cn/tutorials/projectdetail/356456#anchor-21
不對的地方還請指正!!感謝
網上有很多優秀博客，介紹了yolov2的設計思想以及實現過程。絕大部分我都翻閱了一遍，也看了論文，找了視頻看了。
這篇文章只說明anchorbox 和boundingbox之間的關係，想學習YOLOv2和v3整體的過程可參考這個：https://zhuanlan.zhihu.com/p/47575929
https://www.jianshu.com/p/d13ae1055302
正文：
首先看了 yolov1 過程都比較直接，直接對框位置進行迴歸，選擇最大IOU，還算好理解。隨後我看了yolov2的博客和論文，卡在了聚類生成anchorbox，框迴歸得到偏移值t後，如何確定位置這裏。
我一直以爲是類似RCNN中，先對每一個anchor點周圍生成9種anchorbox，再框迴歸得到偏移量去調整框的位置得到boundingbox，最後利用BBox和GT的IOU去篩選框。深受這種思想的影響，所以我帶着這種主觀意識去看YOLO真的看得我頭昏腦大。
先上論文的圖：
yolo v2 借鑑了RPN的技巧，但是是略有不同的。
anchor box：就是上圖的黑色虛線框，我覺得這個圖有點誤導人，這個是框迴歸產生偏移之後的結果，但是anchorbox也隨着變動了位置，具體原因見下面的分析。
BoundingBox：藍色框，通過迴歸得到偏移值後，以anchorbox爲基準進行尺度縮放變換後的框。
其實通過聚類得到的只是先驗框又叫錨框（anchorbox）的高寬(是一個固定值)，（網上有些博客把anchorBox和boudingBox混淆了，讓我以爲anchorbox是每一次都在變化調整的，搞暈了），只是用幾個固定的寬高比例來描述anchorbox的尺寸信息的，所以論文中聚類得到的是5種box的高寬，不需要中心座標！那麼"中心座標"在哪呢？ 回憶，我們在yolo中是將圖片劃分成N*N的塊，每一塊都是原圖片的一小塊（如上圖的紅色小塊），而anchorbox的這個所謂的中心點其實可以看作是每一塊的左上角座標，如上圖的箭頭所指點C，其中Cx和Cy是C點的座標，這裏先假設tx,ty,tw,th是網絡輸出的預測值，這個是代表座標的偏移值（圖上的σ定義爲sigmoid激活函數（將函數值約束到［0,1］），這樣就可以使得偏移後的C點也就是中心點落在紅色這一塊中）。而計算bw和bh就是我們唯一用到'anchorbox'的地方，這裏我們只用到了它的寬高(Pw和Ph)。exp(tw),exp(th)代表着縮放比例,將exp(tw),exp(th) 和(Pw，Ph)相乘後得到縮放後的長寬（參考上圖），最後得到的這個（bx,by,bw,bh）就是描述的BoundingBox（預測框）的信息。
那麼如何去描述他們的損失呢？
首先，yolo按照上面同樣的方式先用GroundTruth（真實框）和anchorbox（先驗框,錨框）算出偏移和縮放比，設爲dx,dy,dh,dw，這個即標籤label，
然後網絡輸出的BoundingBox（預測框）是tx,ty,th,tw四個值，用來代表和anchorbox（先驗框,錨框）的偏移和縮放比。
我們的目標是通過學習(tx,ty,tw,th)這四個值去微調anchorbox（先驗框,錨框）得到BoundingBox（預測框），使得BoundingBox不斷接近GroundTruth（真實框）也就是(tx,ty,tw,th)不斷的接近(dx,dy,dh,dw)，梯度下降的目標也就是縮小這兩者的LOSS，這就是yolov2中的迴歸方法。 （具體YOLO損失函數可以網上搜索）
圖片來源：https://zhuanlan.zhihu.com/p/77051828