一、损失函数

x,y:预测出的bbox的中心点坐标。
w,h:预测出的bbox的长与宽。
x^ , y^:已标注bbox的中心点坐标。
w^ ,h^:已标注的bbox的长与宽。
根号w,根号h：减少大物体边框的影响。不然的话损失函数会被大物体所左右，这样只会学到大物体的信息。
λcoord：可以取5，为了平衡“非物体”bbox过多的影响。比如一个7*7的特征图，每个cell预测两个bbox，那么会有98个小格(yolov1的每个cell预测两个bbox)，可是真实物体只有三个。

下面的式子是学习背景的，是必须要存在的，比如分类问题中，假如有n类物体，实际要分类的是n+1类物体，还有一类就是无处不在极其复杂的背景，所有学习的是n+1类物体的特征。如果只学习狗的特征，那么在实际预测中就会把那些很像狗但不是狗的物体识别成狗，所以除了学习真实物体，还要加入学习背景的信息。

softmax的求导，softmax与CE结合，结合后的求导

二、优缺点

优点：one stage 确实快。
缺点：对拥挤物体检测不太好，因为每个cell只检测一个物体（物体中心落在这个cell的物体）。那么如果两个物体中心都落在这个cell的话就没法检测出两个物体。
对小物体检测不好。
对new width-height ratio物体不好
没有Batch Normalize