我的问题与这个话题类似。我在观看Andrew Ng关于边界框预测的讲座时，开始思考YOLO算法的输出。让我们考虑这个例子，我们使用19×19的网格和只有一个感受野的2个类别，因此我们的输出将是=> 19x19x1x5。最后一个维度（大小为5的数组）表示以下内容：

1) 类别（0或1）  2) X坐标  3) Y坐标  4) 边界框的高度  5) 边界框的宽度

我不明白X,Y坐标是相对于整个图像的大小还是仅相对于感受野（滤波器）来表示边界框。在视频中，边界框被表示为感受野的一部分，但从逻辑上讲，感受野比边界框小得多，人们也可能会调整滤波器的大小，因此相对于滤波器定位边界框是没有意义的。

那么，图像中边界框的坐标到底代表什么？

回答：

来自Hacker Noon的《理解YOLO》文章：

每个网格单元预测B个边界框以及C个类别概率。边界框预测包括5个组成部分：(x, y, w,h, 置信度)。坐标(x, y)表示框的中心，相对于网格单元的位置（请记住，如果框的中心不落在网格单元内，那么这个单元不负责它）。这些坐标被归一化为0到1之间。框的尺寸(w, h)也相对于图像大小归一化为[0, 1]。让我们看一个例子：