1、输入图像
2、将图像送入卷积神经网络中进行特征提取---得到特征图
（前面是一些vgg的操作，就是来得到特征图）
3、对特征图进行操作，输出想要的形状
（后面几个是对特征图简单操作一下，然后进行全连接，最后reshape成（7*7*30））
这个有过解释，这个7*7*30本身没有意义，是作者赋予它意义，引导网络，按着作者的意思来进行。
这个7*7就是作者将图片划分成7*7的区域，共有49个网格，每个网格产生2个框，这2个框预测同一个类别，voc数据集是20类，每个框有（c，x，y，w，h）五个参数，所以每个网格有30个参数，所以通道数就是30。
4、将标签变换成一致的形状，进行损失的计算
（自定义的损失函数一般也继承于pytorch的类，因为得到的损失，也要进行梯度计算，相当于通过框架来进行的一些计算，可以自动的求梯度）
4.1---标签变成与网络输出一致的形状，首先要确定网络输出的形状。
网络输出的通道数30中，其中20是类别，另外2个c是置信度，还有2组的（x，y，w，h），其实这里直接写成（x，y，w，h）也可以，就是中心点坐标和宽高，但是这样的话没有一个范围，不便于优化，所以，最好是让这4个值是在0-1之间，那么很自然的想到进行归一化，把w和h都除以宽高，这时候w和h都是在0-1之间了。而对于x和y来说，替换成px和py，px，py是该中心点坐标在这个网格中的相对位置，取值范围也是0-1。所以，这个时候的（x，y，w，h）被替换成了（px，py，w/W，h/H）。替换后的这4个值，范围都在0-1之间。
（1）其实预测出来的几个值，没有限制，随便是谁都行，只要可以把这个框给描绘出来。
（2）这样的px和py，也就是，预测出来的中心点，一定在这个网格里，（因为作者希望的是每个网格只负责寻找中心落在当前网格内的bbox，而不是希望每个网格都寻找全局范围内的bbox）
?4.2---确定标签的形状
?标签也需要转换成一个7*7*30的矩阵，其中通道中的每一个数的含义，都需要和网络输出中的对应上。
1、初始化一个全零的7*7*30的矩阵。
2、计算真实框在哪个网格中（i，j）
3、将真实框的（x，y，w，h）转换成（px，py，w/W，h/H）
4、将第（i，j）网格的前10个通道设置为（ px，py，w/W，h/H ，1， px，py，w/W，h/H ，1），置信度设置为1
5、将第（i，j）网格的后20个通道设置为（0，0，0，，，1，，，0，0，0）
----------
损失函数部分，可以分为3个部分，第一个部分，就是框的坐标误差；第二个部分，就是框的置信度误差；第三个部分，就是框的类别误差。
前提：以图片中只有一个目标为例。
标签中，只有第（i，j）这个网格的位置，通道数的30个数有值，其他的位置都没有数值。
预测图中，所有的网格位置，每个网格的通道数的30个数，都是有值的。
所以，第一个部分，框的坐标误差中，只计算第（i，j）这个网格位置，也就是只计算有真实框存在的这个网格，这个第（i，j）这个网格，预测出来的会有2个框，取iou最大的那个来计算坐标误差。
（说白了，如果样本标签提供了多少个真实bbox，那么该样本的网络输出只有同样数量的bbox会进行bbox的定位误差计算，这些bbox就是真实bbox中心所在的网格中，预测的2个bbox中，与真实bbox的iou更大的那个bbox，会产生bbox定位误差的损失。）
同样，第三部分，框的类别误差，也是计算第（i，j）这个网格位置。
最后，第二部分，框的置信度误差，计算所有的网格。置信度这个位置，计算不是（i，j）的那些网格的时候，前面需要加一个系数，论文中的 λ 是用来调整各部分损失权重的系数。网络预测的98个bbox中，只有少数几个会产生bbox的定位误差，而其他所有的bbox都是产生另一部分的误差，如果不调整损失权重的话，很可能导致网络对bbox的位置信息预测效果很差。所以，作者设置 λ = 5。
?
?
?
?