一、模型部分
会根据所提供的9个先验框在darknet输出的三个特征层【y1,y2,y3】（形状分别是(N,255,13,13)，(N,255,26,26)，(N,255,52,52)）中的每个格点grid_cell上，预测三个框，这三个框的长宽比不是随意取的，是取自根据数据集聚类得到的9个先验框的长宽，这样三个特征层正好使用了9个先验框。
会根据数据集，该数据集是xml格式或者其他格式，里面的主要内容就是【img，每一个目标的框信息以及所属类别】，得出和模型输出相同形状的数据，形状分别是[(m,13,13,3,85),(m,26,26,3,85),(m,52,52,3,85)]。因为是由真实框得来的数据，所以肯定没有那么多，比如此时的框都只有一种宽高，也即真实宽高，并不像上面每一个grid_cell有三个框。所以为了和模型输出形状相同，在没有框的地方(对应矩阵里元素的位置)的数据其实都是零。这样就可以将y_true和y_out送入loss函数计算误差，然后更新模型参数即可。
在计算loss的时候，实际上是y_pre和y_true之间的对比：y_pre就是一幅图像经过网络之后的输出，内部含有三个特征层的内容，其需要解码才能够在图上作画；y_true
