Predict 1输入尺寸是13×13；
Predict 2输入尺寸是26×26；
Predict 3输入尺寸是52×52；
尺寸越大，可预测的物体越小。
anchor box 包含类别信息，以及与真实边界框的偏移量。训练时生成多个anchor box，一般是对训练样本进行聚类得到的。
针对每一个feature map：
（1）将每个gt box与每个anchor box根据交并比（IoU）进行匹配，得到标签（one-hot）、偏移量（4个）、标注（匹配为1）；
（2）如果gt与某个anchor模板的IoU大于给定的阈值，则将gt分配给该anchor模板；
（3）将gt投影到对应预测特征层上，根据gt的中心点定位到对应cell，则该cell对应的anchor box为正样本。
将4张图片按照一定比例拼接在一起进行训练，提高batch size，提升小目标的检测性能。拼接方法有很多，如：
（1）随机选取图片拼接基准点坐标（xc，yc），另随机选取四张图片。
（2）四张图片根据基准点，分别经过尺寸比例调整后，放置在指定尺寸图的四个顶点位置。
（3）图片分割，对大图进行拼接。
（4）处理超过边界的检测框坐标。
在predict之前的convolutional set中间插入spp模块，实现不同尺度的特征融合。
（1）loc：计算正样本的定位损失CIoU
IoU、GIoU、DIoU、CIoU：https://zhuanlan.zhihu.com/p/94799295
（2）cls：正样本分类损失：bce loss
（3）obj：预测框中是否有目标
加权求和。
代码：https://github.com/ultralytics/yolov3
