4、目标检测基础：目标检测任务定义、边界框、类别标签、置信度、IoU（交并比）等核心概念

在机器人视觉系统中，目标检测（Object Detection）是连接“看见”与“理解”的关键桥梁。与图像分类（判断整张图是什么）不同，目标检测需要回答两个更复杂的问题：“图中有什么物体？”以及“这些物体分别在哪里？”。对于舵机跟随、机械臂抓取、移动避障等机器人任务而言，仅知道“画面中有一个人”远远不够，必须知道这个人的像素坐标位置，才能驱动舵机转向或规划机械臂轨迹。本章将系统梳理目标检测任务的形式化定义、边界框表示方法、类别标签与置信度的含义，以及评估检测质量的核心指标——IoU（交并比），为后续学习轻量级检测模型（如YOLO、SSD、NanoDet）打下坚实基础。

4.1 目标检测任务的形式化定义

目标检测任务可以形式化描述为：给定一张输入图像 \( I \in \mathbb{R}^{H \times W \times 3} \)，其中 H 和 W 分别为图像的高度和宽度（以像素为单位），3 表示 RGB 三个颜色通道。检测模型需要输出一个目标集合 \( D = \{d_1, d_2, ..., d_n\} \)，其中每个检测结果 \( d_i \) 包含三个核心要素：边界框（Bounding Box）、类别标签（Class Label）和置信度（Confidence Score）。

在机器人视觉的实际工程中，输入图像通常来自摄像头实时视频流。以常见的 USB 摄像头为例，分辨率为 640×480 或 1280×720，帧率为 30 FPS。这意味着检测模型必须在约 33 毫秒内完成一帧图像的前向推理，才能保证实时性。因此，目标检测任务在机器人场景下不仅是“能否检测到”的问题，更是“能否在限定时间内检测到”的约束优化问题。

4.2 边界框（Bounding Box）的表示方法

边界框是目标在图像中的矩形包围区域，通常有两种主流表示方式：

在轻量级检测模型（如 NanoDet、YOLOv5-nano）中，边界框通常以归一化坐标输出，因为这样可以使模型对不同分辨率的输入图像具有更好的泛化能力。实际部署时，需要将归一化坐标乘以图像宽高，还原为像素坐标，才能用于舵机控制或机械臂定位。

# 归一化坐标转像素坐标示例
img_w, img_h = 640, 480
x_norm, y_norm, w_norm, h_norm = 0.5, 0.5, 0.156, 0.167

x_pixel = int(x_norm * img_w)   # 320
y_pixel = int(y_norm * img_h)   # 240
w_pixel = int(w_norm * img_w)   # 100
h_pixel = int(h_norm * img_h)   # 80

4.3 类别标签与置信度

类别标签定义了检测目标所属的语义类别。在机器人视觉项目中，类别集合通常由任务需求决定。例如，一个桌面清理机器人需要检测“杯子”、“书本”、“笔”等物体；而一个行人跟随机器人则只需检测“person”一个类别。类别标签通常以整数索引表示（如 0=person, 1=cup, 2=book），模型输出的类别概率向量经过 softmax 或 sigmoid 激活后，取最大值对应的索引作为预测类别。

置信度（Confidence Score）是一个 0 到 1 之间的浮点数，表示模型对该检测结果的把握程度。它综合了“框内是否真的有目标”和“目标属于该类别的概率”两个因素。在 YOLO 系列中，置信度计算公式为：

confidence = objectness × class_probability

其中 objectness 表示边界框内包含目标的概率，class_probability 表示该目标属于某一类别的概率。实际工程中，通常设置一个置信度阈值（如 0.5），低于该阈值的检测结果会被直接丢弃，以减少误检。

4.4 IoU（交并比）——衡量检测质量的标尺

IoU（Intersection over Union）是目标检测中最核心的评估指标，用于衡量预测边界框与真实边界框（Ground Truth）之间的重叠程度。其计算公式为：

IoU = (预测框 ∩ 真实框) 的面积 / (预测框 ∪ 真实框) 的面积

IoU 的取值范围为 [0, 1]：0 表示两个框完全没有重叠，1 表示完全重合。在模型评估中，通常设定一个 IoU 阈值（常见为 0.5），当预测框与真实框的 IoU 大于该阈值时，认为该检测结果是正确的（True Positive）。

IoU 在机器人视觉中有三个关键应用场景：

1. 模型评估：计算 mAP（mean Average Precision）时，需要根据 IoU 阈值判断检测是否正确。
2. 非极大值抑制（NMS）：同一目标可能产生多个重叠的预测框，通过 IoU 计算重叠程度，保留置信度最高的框，删除其他冗余框。
3. 跟踪关联：在连续帧中，通过计算前后帧检测框的 IoU，判断是否为同一目标，实现简单的目标跟踪。

4.5 案例拆解：舵机跟随中的目标检测流程

假设我们要实现一个基于舵机云台的红色小球跟随系统。摄像头分辨率为 640×480，舵机云台可以在水平和垂直方向旋转。整个检测与跟随流程如下：

场景约束：红色小球直径约 5cm，摄像头距离小球 1~2 米，背景为白色墙壁。舵机响应延迟约 50ms，要求系统在 100ms 内完成一次检测与角度更新。

初始现象：使用 YOLOv5-nano 模型（输入尺寸 320×320）进行检测，发现两个问题：一是小球在图像中仅占约 20×20 像素，检测置信度只有 0.35；二是当小球快速移动时，检测框出现明显抖动。

分析过程：

• 小球像素面积过小，导致特征提取不充分，置信度偏低。解决方案：将输入分辨率提升至 416×416，或使用图像裁剪放大预处理。
• 检测框抖动是因为相邻帧的检测结果不稳定，且没有做平滑处理。解决方案：引入指数移动平均（EMA）对边界框中心坐标进行滤波。
• 舵机控制需要的是小球中心的像素坐标，而非完整边界框。因此，从检测结果中提取 (cx, cy) 作为控制输入。

实际操作步骤：

# 伪代码：检测 + 跟随控制
while True:
    frame = camera.read()                          # 读取一帧
    detections = model.detect(frame, conf=0.4)     # 检测，阈值0.4
    
    if len(detections) > 0:
        # 取置信度最高的检测框
        best = max(detections, key=lambda d: d.conf)
        cx, cy = best.center_x, best.center_y
        
        # EMA平滑
        smooth_cx = 0.7 * smooth_cx + 0.3 * cx
        smooth_cy = 0.7 * smooth_cy + 0.3 * cy
        
        # 计算偏差并控制舵机
        dx = smooth_cx - 320   # 图像中心x
        dy = smooth_cy - 240   # 图像中心y
        servo.horizontal += dx * Kp_x   # 比例控制
        servo.vertical += dy * Kp_y
    else:
        # 未检测到目标，执行搜索模式
        servo.sweep()

结果对比：经过优化后，检测置信度从 0.35 提升至 0.62，检测框抖动幅度从 ±15 像素降低至 ±3 像素，舵机跟随的稳定性显著提升。代价是推理时间从 18ms 增加到 25ms，但仍满足 100ms 的实时性要求。

4.6 常见误区与总结复盘

在目标检测基础概念的学习和工程应用中，初学者常犯以下错误：

总结复盘：目标检测是机器人视觉系统的基石，边界框、类别标签、置信度和 IoU 四个核心概念构成了检测任务的定义、输出和评估闭环。在实际项目中，需要根据机器人任务的具体需求（实时性、精度、算力）来选择合适的检测模型和参数配置。下一阶段的学习将围绕轻量级检测模型的结构原理展开，理解这些基础概念将帮助你更好地调试和优化模型性能。