YOLOのクラス確率ついて

YOLOは画像全体をS*Sのgrid cellに分割して、そのBBOXのconfidenceとgrid cellごとに予測したクラス確率でobjを検出していると思います。

turningでは事前にアノテーションした教師データがあるので何とかわかりますが、

検出の時の「grid cellごとに予測したクラス確率」はとやって予測しているのでしょうか、全体画像の特徴量で予測しているのですか

誰か教えていただけないでしょうか。

よろしくお願いいたします。