我的理解是，Anchor Boxes（在 Yolo v2 算法中）的动机是在 Yolo 的第一个版本（Yolo v1）中不可能检测同一网格框中的多个对象。我不明白为什么会这样。
此外，作者的原始论文（Yolo v1）有以下引用：
“每个网格单元预测 B 个边界框以及这些框的置信度分数。这些置信度分数反映了模型对该框包含对象的置信度，以及它认为该框预测的准确度。”
这不是说明一个网格单元可以识别多个物体吗？在他们的论文中，他们将 B 视为 2。为什么不将 B 视为任意更高的数字，例如 10？
第二个问题：锚框尺寸如何与边界框尺寸相关联，以检测特定对象？有些网站说 Anchor Box 只定义了形状，而另一些网站则说它定义了形状和大小。无论哪种情况，锚框如何与边界框绑定？
你说得对，YOLOv1 有多个 (B) 边界框，但这些边界框没有以有效或系统的方式分配给基本事实，因此也不能足够准确地推断边界框。
正如您可以在互联网上的博客文章中看到的那样，锚点/默认框是原始图像中的一个框，它对应于特定特征图中的特定单元格，并分配了特定的宽高比和比例。 比例通常由特征图决定（更深的特征图 -> 大锚点比例），并且长宽比各不相同，例如{1:1、1:2、2:1} 或 {1:1、1:2、2:1、1:3、3:1}。 通过比例和纵横比，指定了一个特定的形状，并将该形状的位置由特征图中当前单元的位置指定，与原始图像中的地面真实边界框进行比较。
不同的论文有不同的分配方案，但通常是这样的：（1）如果带有GT的原始图像上的anchor的IoU超过某个阈值（例如0.5），那么这是对anchor的正分配， (2) 如果它低于某个阈值（例如 0.1），那么它是负分配，并且 (3) 如果这两个阈值之间存在差距 - 那么之间的锚点将被忽略（在损失计算中）。
这样，锚点实际上就像一个负责特定情况的“探测器头”，这在形状上与它最相似。因此，它负责检测形状与其相似的对象，并且它推断每个类的置信度，以及相对于它的边界框参数，即修改锚点的高度、宽度和中心（在两个轴上）的程度）以获得正确的边界框。 由于这种分配方案在不同锚点之间有效地分配了责任，因此边界框预测更加准确。
YOLOv1 方案的另一个缺点是它解耦了边界框和分类。一方面，这节省了计算量，但另一方面 - 分类是在网格单元的级别上。因此，边界框的 B 选项都具有相同的类别预测。这意味着，例如，如果有多个“不同”类的对象具有相同的中心（例如，持有一只猫的人），那么至少除了一个之外的所有对象的分类都是错误的。请注意，理论上相邻网格单元的其他预测可能会补偿这种错误的分类，但这并没有得到保证，特别是因为根据 YOLOv1 的方案，中心是分配标准。