anchor方法：
代替滑窗方法取到目標周圍可能的目標框
通過將真實標注、認為正確的坐標框與預測的結果進行對比、計算損失，損失包括目標類別、目標框位置、特征圖相應位置是否有目標，通過將三者的損失進行加權求和反向傳播，反向傳播求出每一層權重對形成這些誤差的貢獻（偏導），並進行權重糾正。
在訓練時的損失計算：
目標類別損失，如果訓練圖像中有target，則找到target的類別，特征圖中找到對應圖像索引、對應網格位置的信息，如該網格處對應的類別信息，將網格對應的類別信息與target類別信息進行交叉熵計算求得損失（變換target中的類別格式，使與prediction的類別格式相同，除了正樣本的，其余都應該標志為負樣本）。
目標框坐標回歸損失，如果訓練圖像中有target，則找到target的類別，特征圖中找到對應圖像索引、對應網格位置的信息，把網格坐標進行回歸（激活函數和anchor處理）與target坐標框計算iou，（1-iou）作為目標框回歸損失。
特征圖相應位置是否有目標損失，已知模型輸出的特征圖尺寸，將target初始化為特征圖obiness尺寸，然后根據真實target的目標所在img_index, anchor，網格位置，將重新賦值的target的位置賦值為與預測框相應的iou值，其余值為0，與預測結果的objness計算交叉熵損失。
objness存在的意義是為了區別正樣本和負樣本兩種大類，增加模型的泛化能力，不因修改了背景就誤檢。
clsness是為了區別具體的正樣本的眾多類別
boxness是為了更新權重、使坐標回歸
以上以yolov5為例
anchor free 方法：
模型輸出特征圖與原圖尺寸相差倍數較小，通過特征圖映射原圖，特征圖上的每個點位置視為目標中心點，每個點的值用於判斷是否有目標，特征圖所在通道決定目標所屬類別。另起額外的分支用來判斷目標中心的偏移量和寬高。
以centernet為例，圖像從backbone出來后，經過三個分支class(64->80)，wh(64->2)，xy(64->2)，需要計算類別損失、目標框寬高損失、目標點中心坐標偏移量損失。
損失計算：
目標類別損失，centernet將原圖中target bbox的中點映射到heatmap中的某一高斯核區域內，高斯核中心位置，賦值為1，次中心位置賦值依次遞減，然后利用focal loss（按照類別，即通道）計算損失
其中
為網絡輸出的heatmap，為
ground_truth信息
目標寬高損失，將target bbox的寬高信息按照該映射關系，等同地映射到Height&Width特征圖中，利用L1Loss計算損失
目標點中心坐標偏移量損失，類別損失的特征圖代表中心點坐標，通過計算偏移量損失准確目標中心點位置。將target bbox的偏移信息等同地映射到Offset特征圖中，利用L1Loss計算損失
總結：
anchor和anchor free方法，候選目標框的選取和設定、類別判斷方法不同，使最后使用的損失函數不同，從而達到最后功能完善。
anchor free方法中截取的圖像參考網址：
https://zhuanlan.zhihu.com/p/187577938