正样本的选择：
目标中心点落在哪个grid上，然后计算这个grid的9个先验框（anchor）和目标真实位置的IOU值（直接计算，不考虑二者的中心位置），取IOU值最大的先验框和目标匹配。于是，找到的该grid中的 该anchor 负责预测这个目标，其余的网格、anchor都不负责。
负样本的选择：
计算各个先验框和所有的目标ground truth之间的IOU，如果某先验框和图像中所有物体最大的IOU都小于阈值（一般0.5），那么就认为该先验框不含目标，记作负样本，其置信度应当为0
不参与计算部分
这部分虽然不负责预测对象，但IOU较大，可以认为包含了目标的一部分，不可简单当作负样本，所以这部分不参与误差计算。
LOSS
yolo算法将目标看成回归问题，采用sum-square函数，对不同的部分采用了不同的权重值。
由4部分构成：
1.x,y 均方误差
2.w，h均方误差
3.是否含有object误差
4.cls分类
yolo的原理：
把网络分成sxs个网格（s通常为7），对于每一个网格要预测出B个边框，每个边框五个坐标(x,y,w,h)和一个分数（来预测这个边框和真是的边框有多接近），每个网格也会预测类别，所以一共有S × S × (B ∗ 5 + C) 个张量
这就是yolo的网络模型，对于卷积层和全连接层，采用Leaky ReLU**函数。但是最后一层却采用线性**函数，最后出来的是边界框的预测，之前说的是7x7的网格，那么最后出来的就是7x7x30，20类，2个置信度（判断有没有物体），两个框，一个框（x,y,w,h）