筛选到的正样本信息(image_index, anchor_index, gridy, gridx),传入 __call__ 函数,
通过这个信息去筛选 pred 里每个 grid 预测得到的信息,保留对应...anchors 都计算 loss(并不是直接和 GT 框比较计算 loss) )
# 注意此时落在网格不再是一个,而是附近的多个,这样就增加了正样本数。...target在某个网格中进行预测(计算损失) gj表示这个网格的左上角y坐标
gi: 表示这个网格的左上角x坐标
anch...flow.zeros_like(gxy)[None]: [1, 555, 2] off[:, None]: [5, 1, 2] => [5, 555, 2]
# 得到所有筛选后的网格的中心相对于这个要预测的真实框所在网格边界...iou).mean() # iou loss
# Objectness
# iou.detach() 不会更新iou梯度 iou并不是反向传播的参数