“我们的系统将输入图像划分为S * S网格。如果对象的中心落入网格单元格，则该网格单元负责检测该对象。”
这是从YOLO纸张，输入图像分为S * S网格，这意味着conv的输出是S * S的大小，对吧？
如果是这样，这些小单元（7 * 7）如何连接到输入图像的原始区域？我知道转换是如何工作的，但边界框如何回归？
原始大小的基本事实将“调整”到SxS，在这种情况下，Yolov1中的7x7或Yolov2中的13x13我认为这个Yolo实现可能对您了解yolo如何构建有用：https://github.com/1991viet/Yolo-pytorch