关于置信度的理解：
对于每个GT，都要找到负责预测它的单元，即确定图像的cell和具体的anchor box。
YOLOv3分三个尺度预测，一共9个anchor box，每个尺度的每个cell分别预测三个box。
那么对于给定的GT，将GT顶点平移到顶点处，选出最大IOu对应的anchor。因为每个anchor都属于一个尺度，所以就确定了图像的尺度，然后根据GT中心位置坐标，即可确定cell，将对应尺度对应cell，对应anchor，对应的置信度单元设置为1。
该置信度除了反应该cell是否有目标（最匹配的cell和尺度），还反映box预测准确度（每个box对应一个anchor box，该anchor box就是事先挑选出的IOU最大的box，最匹配的box）。实际预测时，该值越大，说明该box对应的anchor box越匹配，根据该anchor box预测的box就可能越匹配。
整体过程：
得到多尺度特征图后，每个位置对应一个cell，每个cell提取该区域的高维、高语义特征，用于后续的分类和回归任务。每个cell对应三个box。，每个box对应预测置信度、类别和坐标偏移量。最后使用NMS得到最终预测结果。
记住一点，最终的损失，都是在特征层的高维特征作为输入计算的
