转自：（1）https://blog.csdn.net/u010397980/article/details/85058630
（2）https://blog.csdn.net/qq_34199326/article/details/84109828
图为预测boundingbox的公式。
注意：我们网络实际上的学习目标是tx,ty,tw,th，但是可以求得真正需要的bx,by,bw,bh！
1.bx,by,bw,bh
预测边框时cx, cy为相对于左上角的位置，每个小格的长度为1，图中此时cx=1，cy=1；
tx,ty是预测的坐标偏移值（中心点坐标）；
tw,th是尺度缩放，分别经过sigmoid，输出0-1之间的偏移量，与cx, cy相加后得到bounding box中心点的位置。
Pw、Ph是预设的anchor box映射到feature map中的宽和高，是手动设置的anchor宽和高！
tw, th分别与pw, ph作用后得到bounding box的宽和高（bw和bh）。
这样就能得到预测boudingbox的x,y,w,h了，我们的目的是让预测的x,y,w,h和真实的groundtruth接近，于是我们就可以写loss了。
2.tx,ty,tw,th
（1）在faster-rcnn系列文章中，对于训练样本，需要用到ground truth的真实框来求这4个坐标：
Px,Py是预设的anchor box在feature map上的中心点坐标；
Pw、Ph是预设的anchor box的在feature map上的宽和高；
Gx、Gy、Gw、Gh是ground truth在这个feature map的4个坐标；
（2）在yolov3中
在yolov3里，是Gx,Gy减去grid cell左上角坐标Cx,Cy。x,y坐标并没有针对anchon box求偏移量，所以并不需要除以Pw,Ph。
tw和th的公式yolov3和faster-rcnn系列是一样的