YOLO中或者说one-stage的目标检测中的第一步就是产生候选区域，如何产生候选区域是目标检测领域的核心问题，而产生候选区域可以：分为以下两步
- 按一定的规则在图片上生成一系列位置固定的锚框，将这些锚框看作是可能的候选区域。
- 对锚框是否包含目标物体进行预测，如果包含目标物体，还需要预测所包含物体的类别，以及预测框相对于锚框位置需要调整的幅度。
1、边界框（bounding box）
在目标检测中，用边界框来表示物体的位置，边界框为能正好包含物体的矩形框。如下图中包含人脸位置的矩形框即为边界框。
2、锚框（anchor box）
锚框与物体边界框不同，是由人们假想出来的一种框。先设定好锚框的大小和形状，再以图像上某一个点为中心画出矩形框。
而在YOLO中，生成规则是将图片分割成mxn个区域，然后在每个格子的中心，按照设定的长宽比等，生成一系列的锚框。
这里说一下，设定的长宽，在YOLO中是采用聚类的方法产生的，而在YOLOV5中具体为采用k-means聚类+遗传算法计算得到。具体看下面这篇文章
3、预测框（prediction box）
预测框即是锚框的微调结果，其结果是更加的贴近真实框，问题就在于如何微调锚框，才能得到较好的结果。在YOLO中，主要采用下面的方法对锚框进行微调。
中心目标生成
由锚框的生成方法可知，它是以某个划分格子的中心坐标，以一定长宽比生成的，但在YOLO中预测框，则是以某个格子的左上角坐标为原点进行偏移的。
图中格子的坐的左上角坐标为（cx，cy） ，则预测框中的中心坐标为（bx，by），其中
由sigmoid函数可知，其函数值在（0，1）之间，bx，by的中心坐标一定在这个划分的格子中。
长宽生成
而对于预测框的长宽生成，则是基于锚框的初始长宽（pw，ph），以下面公式生成（bw，bh）
由上面的公式可以知道，我们的网络其实就是在预测tx，ty，th，tw的值。
由于我们是知道真实框的bx，by，bh，bw，由反函数，容易知道真实框tx*，ty*，th*，tw*，则我们网络其中一个边界框loss，为tx，ty，th，tw和tx*，ty*，th*，tw*计算得出。
4、对候选区域进行标注
这里有很多关于锚框（anchor box）和预测框（prediction box）的概念，请注意区分！
每个锚框都可能是候选区域，但我们根据上面的内容可知，一张图片会生成很多锚框，那我们如何确定哪个是我们需要的，如果这个是需要的，我们需要得到它的扫描信息，主要考虑以下三个方面。
-
objectness标签：锚框是否包含物体，这可以看成是一个二分类问题。当锚框包含了物体时，objectness=1，表示预测框属于正类(正样本)；当锚框不包含物体时，设置objectness=0，表示锚框属于负类。
-
location标签：如果锚框包含了物体，那么它对应的预测框的中心位置和大小应该是多少，或者说上面计算式中的tx,ty,tw,th应该是多少。
-
label标签：如果锚框包含了物体，那么具体类别是什么。
objectness标签
锚框是否包含物体，我们主要采用IOU或者GIOU等指标来判别，关于IOU，GIOU等
我们可以算出所有我们的锚框与真实框之间的IOU，然后根据IOU这个评价指标，选出n个锚框（n是真实框的个数）
我们将这n个锚框的objectness标签都标记为1，其他都标注为0
但在YOLO中，对于一些IOU也挺大的锚框，是这么处理的，设定一个阈值，若其IOU大于这个阈值，则将objectness标签标注为-1，而不是0.
我们在预测中，也只需要根据objectness标签是1的锚框，进行预测location标签和label标签！！
location标签
对于location标签，即是对于objectness标签为1，标注其真实框tx*，ty*，th*，tw* 四个值注意这里标注的是真实框的tx，ty*，th*，tw*
label标签
对于label标签，我们采用one-hot编码，比如有4个类别，则标注为[0, 0, 0, 1]（假设其为第4个类别）
由此可知，我们对于候选框的标注，一共需要标注，1（objectness标签）+ 4（location标签）+ n（类别数——label标签）个参数。
而我们的网络对于每个预测框也是这么多个参数！！这对于后面理解网络输出很关键！！
SIM ota工作流程
1、确定正样本候选区域。
2、计算anchor与gt的iou。
3、在候选区域内计算cost。
4、使用iou确定每个gt的dynamic_k。
5、为每个gt取cost排名最小的前dynamic_k个anchor作为正样本，其余为负样本
6、使用正负样本计算loss。
1、simOTA能够做到自动的分析每个gt要拥有多少个正样本。
2、能自动决定每个gt要从哪个特征图来检测。
3、相比较OTA，simOTA运算速度更快。
4、相比较OTA，避免额外超参数。
疑问
1、使用OTA和simOTA具体会带来多少mAP上的差距？论文作者并没有说明，期待可以有相关实验。
2、很多其他策略会重点关注预测不准的类别或者数据，为这些类别或数据增加权重，且这些策略往往被证明有效。而simOTA却针对已经预测更准的数据增加更多正样本，会不会带来一些问题？
3、前期dynamic_k大多数情况为1，会不会导致训练速度变缓？是否可以在前期做一定改善？
