轉自：（1）https://blog.csdn.net/u010397980/article/details/85058630
（2）https://blog.csdn.net/qq_34199326/article/details/84109828
圖為預測boundingbox的公式。
注意：我們網絡實際上的學習目標是tx,ty,tw,th，但是可以求得真正需要的bx,by,bw,bh！
1.bx,by,bw,bh
預測邊框時cx, cy為相對於左上角的位置，每個小格的長度為1，圖中此時cx=1，cy=1；
tx,ty是預測的坐標偏移值（中心點坐標）；
tw,th是尺度縮放，分別經過sigmoid，輸出0-1之間的偏移量，與cx, cy相加后得到bounding box中心點的位置。
Pw、Ph是預設的anchor box映射到feature map中的寬和高，是手動設置的anchor寬和高！
tw, th分別與pw, ph作用后得到bounding box的寬和高（bw和bh）。
這樣就能得到預測boudingbox的x,y,w,h了，我們的目的是讓預測的x,y,w,h和真實的groundtruth接近，於是我們就可以寫loss了。
2.tx,ty,tw,th
（1）在faster-rcnn系列文章中，對於訓練樣本，需要用到ground truth的真實框來求這4個坐標：
Px,Py是預設的anchor box在feature map上的中心點坐標；
Pw、Ph是預設的anchor box的在feature map上的寬和高；
Gx、Gy、Gw、Gh是ground truth在這個feature map的4個坐標；
（2）在yolov3中
在yolov3里，是Gx,Gy減去grid cell左上角坐標Cx,Cy。x,y坐標並沒有針對anchon box求偏移量，所以並不需要除以Pw,Ph。
tw和th的公式yolov3和faster-rcnn系列是一樣的