锚盒 (Anchor Boxes)
在目标检测任务中，我们通常将图像划分为多个网格，每个网格负责检测落在其内的对象。但是，在之前的目标检测算法中，每个网格只能检测一个对象。如果一个网格中有多个对象的中心点，那么该网格只能检测其中的一个对象。
为了解决这个问题，YOLO算法引入了 Anchor Boxes 的概念。Anchor Boxes是预先定义的一组不同形状的边界框，用于覆盖不同形状的对象。通过使用 Anchor Boxes，每个网格不仅能检测多个对象，还能根据对象的形状，将其与最合适的 Anchor Box 关联。
在训练阶段，每个对象会被分配到其中心点所在的网格，以及与其形状最相似（即 IOU 最高）的 Anchor Box。在预测阶段，算法会为每个网格的每个 Anchor Box 输出一个目标向量，然后根据对象的概率和边界框的位置，确定对象的位置和类别。
值得注意的是，Anchor Boxes的数量和形状是可以根据任务的需求进行调整的。在实际应用中，通常会通过聚类算法（如 K-means 算法）在训练数据集上的边界框尺寸来确定 Anchor Boxes 的数量和形状，以便更好地适应对象的尺寸分布。
在YOLO算法中，非极大值抑制（NMS）是按照类别进行的，而不是按照Anchor Box进行的。这意味着，如果一个物体类别的多个检测框（可能来自不同的Anchor Box）重叠在一起，那么它们就会被NMS处理，从而只保留其中的一个检测框。这是为了避免同一物体的多个检测框被认为是多个不同的物体。所以，即便物体的检测框位于不同的Anchor Box，它们仍然可能会相互抑制。