anchor方法：
代替滑窗方法取到目标周围可能的目标框
通过将真实标注、认为正确的坐标框与预测的结果进行对比、计算损失，损失包括目标类别、目标框位置、特征图相应位置是否有目标，通过将三者的损失进行加权求和反向传播，反向传播求出每一层权重对形成这些误差的贡献（偏导），并进行权重纠正。
在训练时的损失计算：
目标类别损失，如果训练图像中有target，则找到target的类别，特征图中找到对应图像索引、对应网格位置的信息，如该网格处对应的类别信息，将网格对应的类别信息与target类别信息进行交叉熵计算求得损失（变换target中的类别格式，使与prediction的类别格式相同，除了正样本的，其余都应该标志为负样本）。
目标框坐标回归损失，如果训练图像中有target，则找到target的类别，特征图中找到对应图像索引、对应网格位置的信息，把网格坐标进行回归（激活函数和anchor处理）与target坐标框计算iou，（1-iou）作为目标框回归损失。
特征图相应位置是否有目标损失，已知模型输出的特征图尺寸，将target初始化为特征图obiness尺寸，然后根据真实target的目标所在img_index, anchor，网格位置，将重新赋值的target的位置赋值为与预测框相应的iou值，其余值为0，与预测结果的objness计算交叉熵损失。
objness存在的意义是为了区别正样本和负样本两种大类，增加模型的泛化能力，不因修改了背景就误检。
clsness是为了区别具体的正样本的众多类别
boxness是为了更新权重、使坐标回归
以上以yolov5为例
anchor free 方法：
模型输出特征图与原图尺寸相差倍数较小，通过特征图映射原图，特征图上的每个点位置视为目标中心点，每个点的值用于判断是否有目标，特征图所在通道决定目标所属类别。另起额外的分支用来判断目标中心的偏移量和宽高。
以centernet为例，图像从backbone出来后，经过三个分支class(64->80)，wh(64->2)，xy(64->2)，需要计算类别损失、目标框宽高损失、目标点中心坐标偏移量损失。
损失计算：
目标类别损失，centernet将原图中target bbox的中点映射到heatmap中的某一高斯核区域内，高斯核中心位置，赋值为1，次中心位置赋值依次递减，然后利用focal loss（按照类别，即通道）计算损失
其中
为网络输出的heatmap，为
ground_truth信息
目标宽高损失，将target bbox的宽高信息按照该映射关系，等同地映射到Height&Width特征图中，利用L1Loss计算损失
目标点中心坐标偏移量损失，类别损失的特征图代表中心点坐标，通过计算偏移量损失准确目标中心点位置。将target bbox的偏移信息等同地映射到Offset特征图中，利用L1Loss计算损失
总结：
anchor和anchor free方法，候选目标框的选取和设定、类别判断方法不同，使最后使用的损失函数不同，从而达到最后功能完善。
anchor free方法中截取的图像参考网址：
https://zhuanlan.zhihu.com/p/187577938