老师，我想问下在yoloV1是把原图resize成448x448直接带入CNN，还是把原图切分成为7x7的cell后，把每一个cell变为448x448然后带入CNN呀

这节课讲的Scales指的是不是图中Scale1对应Feature map的8*8大小，Scale2对应Feature Map的16*16大小和Scales3对应的32*32大小。在Yolo V3中，每个图像给出三种scales，通过聚类得出的9种不同大小的Anchor Boxes被分配到这三个scales中，一个scale对应三种不同大小的Anchor Boxes，是不是应该这样理解？

老师这块代码是不是写错啦，使用2个尺度，应该是【0,1,2】【3,4,5】

老师，这里的逻辑是这样的吗（下图方向），这不是个普通的闭包、或者说内部类么？，我没听太明白里面的嵌套在哪里啊？第2个y_pred改成其他的名字有啥影响吗

老师请教一下，local loss这个模型，阿发取0.25，是因为正例多，而负例少，所以正例乘以0.25，负例乘以0.75吗？

负例易分是什么意思？

老师，1.这里用sse是因为mse 几项求平均时，系数不好求吗？

2.可以这样理解吗：

bbox在no_obj时，对locate_loss项没有贡献，导致有obj_locate_loss项贡献相对过大，梯度震荡；

coordinate项采用较大的惩罚因子，

noobj时，采用较小的惩罚因子，而no_obj只影响classifier错误的loss，没有obj时判成有Class_i的那一项？

如果这样理解的话，有个矛盾：正例少，按理讲应该减少对它的惩罚，加大负例的惩罚？

3.可以理解成：这个模型只有正例，没有负例吗？

老师请问，模型配置文件和权重文件有什么联系和区别，配置文件里边是网络层结构和超参数，权重文件好像也是各层的权值，权值不是超参数吗

老师这个地方的train_bottleneck，视频里说不对darknet53训练了，是什么意思？darknet53是一个配置文件 ，里边配置的是什么

老师请教一下，中间这个卷积参数是要经过训练吗？sam输出mask，可以框出目标，他是怎么训练的啊？输出mask不就已经完成了目标检测了吗？就不用yolo4做后续工作啦？

老师请教一下，下图cmbn，不能并行，下面蓝色我框的，accmulateBN，累加bn，但是计算bn的时候就用本层的bn

计算？这样就可以并行计算了？

有sxs个栅格，每个栅格生成的B个bounding boxes，这些boxes需要预测的x,y ,是否就等于栅格的中心点吗？

如下图所示，还是在栅格中的任意点。

bounding boxes 预测的w和h，是相对于整个图片的比例值，还是实际长度啊？

老师请教一下，yolo3这些代码工作的时候，都需要自己实现吗？自己需要实现哪部分代码？

老师请教一下，sxsx(B*5+c)，其中c是栅格预测的条件概率吗Pr(classi|object)吗？

老师请教一下，p(object)这一项是指cell包含object，还是bounding box包含object呢？

另外一个cell的bounding boxes，所包含的object如果不是一个类别，怎样判断cell属于哪个类别？