localization 부분인데 yolo가 tx,ty,tw,th 를 예측을 하는걸 어떻게 하는건지 아무리 구글링을 하고 gpt한테 풀어서 질문을 해봐도 원하는 답이 안나오는거 같음...



예로  간단하게 input image --> vgg --> 1x1 conv 를 최종적으로 통과해서 3x3x8  out put에 좌표 데이터가 나오는데 이게 너무 신기함


그리드 별로 클래스에 대해서 분류 하는건  vgg가 하는 건데      어케 좌표값까지 cnn모델이 예측을 하는 걸까? 그냥 cnn에 그렇게 학습 시키면 놀랍게도 그렇게 예측해주는 거라고  이해해야 하는건가?...


흑... 코린이라서 이해점... 공부중인데 어렵다..