图1
如图1所示，将输入图像分成S*S个格子，对每个格子预测B个bounding box，每个bounding box又包含5个预测值：x,y,w,h,confidence。其中，x,y为bounding box中心坐标，w,h为宽和高，confidence为置信度。confidence的计算公式为：
。每个bbox都对应一个confidence，如果格子中没有object，则confidence就为零；如果格子中包含object，则confidence为bbox与ground truth的IOU值。
每个格子预测C个类别的概率，即在含有object的条件下属于某一类的概率，有C类。
。由此得到bbox属于每类的confidence score。对于其中某一类，小于0.2者设置为零，通过NMS算法去除重叠率大的bbox，最后得到每个bbox对应C个confidence score，取最大且大于零的值。如图2所示。
图2
网络层方面，主要采用GoogLeNet，卷积层主要用来提取特征，全连接层主要用来预测类别概率和坐标。作者先在ImageNet数据集上预训练网络，而且网络只采用fig3的前面20个卷积层，输入是224*224大小的图像。然后在检测的时候再加上随机初始化的4个卷积层和2个全连接层，同时输入改为更高分辨率的448*448。Relu层改为pRelu，即当x<0时，激活值是0.1*x，而不是传统的0，如图3所示。
图3
损失函数方面，前面两行表示localization error(即坐标误差)，第一行是box中心坐标(x,y)的预测，第二行为宽和高的预测。第三、四行表示bounding box的confidence损失，分成grid cell包含与不包含object两种情况。这里注意下因为每个grid cell包含两个bounding box，所以只有当ground truth 和该网格中的某个bounding box的IOU值最大的时候，才计算这项。 第五行表示预测类别的误差，注意前面的系数只有在grid cell包含object的时候才为1。
参考资料：
https://blog.csdn.net/u014380165/article/details/72616238
原文：https://www.cnblogs.com/yundanfengqingxq/p/9502627.html