训练过程
1.数据：
（1）image/labels/bboxes（每张图至少有一个检测目标，有几个检测目标对应几个 label 和 bbox ）
（2）图像预处理（augment / resize）/归一化
2.网络结构：
（1）网络输出 (要注意的是： locs 对应的四个值是dx/dy/dw/dh)
pred_cls(feat_size,feat_size,num_anchors,num_classes)
pre_locs(feat_size,feat_size,num_anchors,loc_offsets)
（2）先验框 anchor_layers : 每一种 feat_size 上，在每个位置都生成数量为 num_anchors 的先验框，先验框的表示为 （x,y,w,h）
3.groundtruth 与 anchors 之间的 encode
groundtruth 坐标的形式是（y1,x1,y2,x2）和 网络输出（dx,dy,dw,dh）的表示形式不同，
所以要将 groundtruth 和 anchors 结合，来表示anchor_layers 上每个位置的分类 label 和坐标偏移loc（即网络的输出）。
4.计算损失
经过上一步，groundtruth 已经和 pred_locs 的形式相同，可以用 smoth_L1 loss 计算坐标偏移之间的损失。
分类损失分为 pos_cross_entropy 和 neg_cross_entropy ,正负样本数目为 1：3。
预测过程
1.将预处理（resize / 归一化）后的图像输入到网络，得到预测类别 pred_cls 和坐标偏移 pre_locs。
2.得到 anchor_layers 。
3.将网络输出的坐标偏移 pre_locs 和 anchors 进行decode,因为 pre_locs 和 anchors 的表示形式都为（x,y,w,h），所以在 anchors 的基础上直接与网络输出的坐标偏移进行调整，把每个 anchor 都转换成真实值（y1,x1,y2,x2）的形式。
4.选择 pred_cls 大于 threshold 的框作为候选结果，利用非极大值抑制（NMS）得到最终结果。
5.将结果resize到原图，可视化最终结果。
