目前我正在测试yolo 9000模型进行对象检测，在论文中，我知道图像被分成13X13个盒子，在每个盒子中我们计算P(Object(，但是我们如何计算呢？ 模型如何知道这个盒子里是否有物体，请我需要帮助来理解
我正在使用张量流
谢谢
他们针对置信度分数 = P(对象( * IOU 进行训练。对于真实面框，它们取 P(对象(=1，对于网格像素的其余部分，真实值 P(对象( 为零。您正在训练您的网络以告诉您该网格位置中的某个对象，即输出 0 如果不是对象，输出 IOU 如果部分对象，输出 IOU，如果对象存在，则输出 1。因此，在测试时，您的模型已经能够判断该位置是否有对象。
正如他们在论文中提到的(第 2 页第 2 部分(，置信分数是 = P(对象( * IOU。但是在那段中，他们提到，如果有一个对象，那么置信分数将是IOU，否则为零。所以这只是一个指导方针。
有 13x13 个网格单元格，但 P(对象( 是针对 5x13x13 锚框中的每一个计算的。来自YOLO9000论文：
当我们移动到锚框时，我们还将类预测机制与空间位置分离，而是预测每个锚框的类和对象性。
我还不能发表评论，因为我是新来的，但如果你想知道测试时间，它的工作方式有点像 RPN。在每个网格单元中，5 个锚框分别预测一个边界框，该边界框可以大于网格单元，然后使用非极大值抑制来选取前几个框进行分类。
P(对象(只是一个概率，网络并不"知道"那里是否真的有对象。
如果您有兴趣，还可以在 region_layer.c 中查看 forward_region_layer 方法的源代码，并跟踪损失的计算方式。
在测试期间，YOLO 网络从默认设置值获取 IOU。那是0.5。