YOLOv1中的grid与b-box

YOLOv1在最后生成一个7*7的feature map，channel数为30（（4+1）*2+20）。即一共49个grid，每个grid对应20个类别和2个b-box(4个坐标和1个置信度)；这也就意味着，这两个b-box都只能是同一个类别。

然后我就有一个疑问，那ground truth怎么对应到这两个不同的b-box predictor上，loss到底怎么训练？仔细看了论文也没有找到答案，看来只有看作者的源码才能知道这个细节问题了。

for(j = 0; j < l.n; ++j){
                    int box_index = index + locations*(l.classes + l.n) + (i*l.n + j) * l.coords;
                    box out = float_to_box(l.output + box_index);
                    out.x /= l.side;
                    out.y /= l.side;

                    if (l.sqrt){
                        out.w = out.w*out.w;
                        out.h = out.h*out.h;
                    }

                    //计算iou的值
                    float iou  = box_iou(out, truth);
                    //iou = 0;
                    //计算均方根误差（root-mean-square error）
                    float rmse = box_rmse(out, truth);
                    //选出iou最大或者均方根误差最小的那个框作为最后预测框～
                    if(best_iou > 0 || iou > 0){
                        if(iou > best_iou){
                            best_iou = iou;
                            best_index = j;
                        }
                    }else{
                        if(rmse < best_rmse){
                            best_rmse = rmse;
                            best_index = j;
                        }
                    }
                }

上面代码中：

l.n对应论文中的B(b-box predictor的数量)，即是2。代码很明显，会挑出最好的一个b-box，用来计算loss，选择条件就是iou最大或者rmse最小，所以每个grid只有一个b-box会参与loss的计算。