3、目标检测基础：目标检测任务定义、边界框、类别、置信度、IoU、NMS等核心术语
在进入ROS2目标检测节点的代码实现之前，必须先建立一套统一的“语言体系”。目标检测（Object Detection）与图像分类（Image Classification）的本质区别在于：分类只回答“图像里有什么”，而检测需要回答“图像里有什么、在哪里、有多大、有多确定”。这四个问题的答案分别对应类别（Class）、边界框（Bounding Box）、置信度（Confidence）和后续的筛选策略（IoU与NMS）。本章将系统拆解这些核心术语的数学定义、物理意义以及在ROS2节点中的实际映射关系，为后续编写YOLO/TFLite推理节点打下坚实的理论基础。
3.1 目标检测任务定义：从分类到定位的跨越
目标检测的任务可以形式化地描述为：给定一张输入图像 \( I \)，算法需要输出一组检测结果 \( D = \{d_1, d_2, ..., d_n\} \)，其中每个检测结果 \( d_i \) 包含三个核心要素：类别标签 \( c_i \in \{1, 2, ..., C\} \)、边界框坐标 \( b_i = (x_1, y_1, x_2, y_2) \) 以及置信度分数 \( s_i \in [0, 1] \)。这里的 \( C \) 是预先定义好的类别总数，例如COCO数据集的80类或自定义数据集的特定类别集合。
与图像分类相比，目标检测的难点在于：图像中可能同时存在多个不同类别的目标，目标可能以任意尺度、任意长宽比出现在任意位置，且目标之间可能存在相互遮挡。这就要求检测模型不仅要具备强大的特征提取能力，还要能够对空间位置进行精确定位。在ROS2的机器人感知场景中，检测结果通常需要转换为机器人可执行的空间坐标，因此边界框的表示方式直接影响到后续的坐标变换和抓取规划。
核心要点：目标检测是“分类 + 定位”的联合任务。分类分支输出每个候选区域的类别概率分布，定位分支输出边界框的坐标偏移量。两者通过多任务损失函数联合优化，这也是YOLO系列模型的基本设计思想。
3.2 边界框：四种表示方式与坐标归一化
边界框是目标检测中最基础的几何概念，它用一个矩形框来近似目标的包围区域。在工程实践中，根据不同的算法和框架，边界框有四种常见的表示方式：
| 表示方式 | 参数定义 | 典型应用场景 | ROS2中的映射 |
|---|---|---|---|
| xyxy | 左上角 (x1, y1) 和右下角 (x2, y2) | OpenCV绘图、PASCAL VOC格式 | vision_msgs/BoundingBox2D |
| xywh | 左上角 (x, y) + 宽度 w + 高度 h | COCO数据集标注、TFLite输出 | 需转换为xyxy后使用 |
| cxcywh | 中心点 (cx, cy) + 宽度 w + 高度 h | YOLO系列模型输出 | 需转换为xyxy后使用 |
| 归一化坐标 | 所有值除以图像宽高，范围[0,1] | 模型输入预处理、跨分辨率推理 | 需乘以图像尺寸还原 |
在ROS2的YOLO节点中，模型输出的原始坐标通常是归一化的cxcywh格式。例如，YOLOv8输出的张量形状为 \( [1, 84, 8400] \)，其中84 = 4（坐标）+ 80（COCO类别数），8400是不同尺度特征图上的锚点总数。坐标值经过sigmoid激活后位于[0,1]区间，表示相对于输入图像尺寸的比例。在发布Detection消息之前，必须将这些归一化坐标乘以原始图像的宽度和高度，转换为像素坐标。
# 坐标转换示例（Python伪代码）
# 假设模型输出为 cx, cy, w, h（归一化）
img_w, img_h = 640, 480
x1 = int((cx - w/2) * img_w)
y1 = int((cy - h/2) * img_h)
x2 = int((cx + w/2) * img_w)
y2 = int((cy + h/2) * img_h)常见陷阱：不同模型对坐标的编码方式不同。YOLOv5使用xywh（左上角+宽高），YOLOv8使用cxcywh（中心点+宽高），而TFLite的SSD模型可能直接输出xyxy。在编写通用节点时，必须通过配置文件明确指定坐标格式，否则会出现边界框偏移或尺寸错误。
3.3 类别与置信度：模型输出的语义解读
类别信息定义了检测到的目标属于哪一类。在COCO数据集中，0号类别是"person"，1号是"bicycle"，以此类推。模型输出的类别分支是一个概率分布向量，长度为类别总数C。通过softmax或sigmoid激活后，每个元素表示该候选框属于对应类别的概率。最终类别取概率最大的索引，即 \( c = \arg\max(p_0, p_1, ..., p_{C-1}) \)。
置信度分数则是一个综合指标。在YOLO系列中，置信度被定义为：
Confidence = P(Object) × IoU(pred, truth)
其中P(Object)表示该候选框内是否存在目标的概率，IoU(pred, truth)表示预测框与真实框的交并比。在推理阶段，我们无法获得真实框，因此模型直接输出一个综合置信度。这个值同时反映了“框内是否有目标”和“框的定位精度”两个信息。在实际应用中，置信度阈值（通常设为0.25~0.5）用于过滤低质量的检测结果。
工程经验：在ROS2节点中，建议将置信度阈值设为可动态配置的参数（通过ROS2参数服务器），而不是硬编码。因为在不同场景下（如近距离检测 vs 远距离检测），最优阈值差异很大。例如，在自动驾驶场景中，行人检测的置信度阈值通常设为0.4，而在工业质检场景中可能要求0.7以上。
3.4 IoU：量化两个边界框的重叠程度
IoU（Intersection over Union，交并比）是目标检测中最核心的几何度量。给定两个边界框A和B，IoU的计算公式为：
IoU(A, B) = |A ∩ B| / |A ∪ B|
其中|A ∩ B|表示两个框的交集面积，|A ∪ B|表示两个框的并集面积。IoU的取值范围为[0, 1]，0表示完全不相交，1表示完全重合。在代码实现中，计算IoU需要以下步骤：
- 计算交集矩形的左上角坐标：\( x_{inter1} = \max(x1_A, x1_B) \)，\( y_{inter1} = \max(y1_A, y1_B) \)
- 计算交集矩形的右下角坐标：\( x_{inter2} = \min(x2_A, x2_B) \)，\( y_{inter2} = \min(y2_A, y2_B) \)
- 如果 \( x_{inter2} < x_{inter1} \) 或 \( y_{inter2} < y_{inter1} \)，则交集面积为0
- 交集面积 = \( (x_{inter2} - x_{inter1}) \times (y_{inter2} - y_{inter1}) \)
- 并集面积 = 面积A + 面积B - 交集面积
- IoU = 交集面积 / 并集面积
IoU在目标检测中有三个主要用途：训练时的正负样本分配（IoU大于0.5的锚点为正样本）、评估指标mAP的计算（预测框与真实框的IoU超过阈值则视为检测正确）、后处理中的NMS筛选。在ROS2节点中，我们主要关注第三个用途。
3.5 NMS：消除冗余检测框的贪心算法
非极大值抑制（Non-Maximum Suppression，NMS）是目标检测后处理中不可或缺的一步。由于检测模型会在同一目标周围产生多个高置信度的候选框，NMS的目标是保留每个目标的最佳检测框，抑制其他冗余框。标准NMS算法的执行流程如下：
| 步骤 | 操作 | 示例（假设5个候选框） |
|---|---|---|
| 1 | 将所有候选框按置信度降序排列 | 框A(0.95), 框B(0.88), 框C(0.75), 框D(0.60), 框E(0.45) |
| 2 | 选择置信度最高的框，加入最终结果列表 | 选中框A |
| 3 | 计算该框与所有剩余框的IoU | 计算A与B、C、D、E的IoU |
| 4 | 删除IoU大于阈值（通常0.45~0.5）的框 | 假设A与B的IoU=0.7，删除B；A与C的IoU=0.3，保留C |
| 5 | 重复步骤2-4，直到候选框列表为空 | 下一轮选中C，继续比较 |
NMS的时间复杂度为 \( O(n^2) \)，其中n为候选框数量。在YOLO模型中，原始候选框数量可能达到8400个，直接对所有框执行NMS会非常耗时。因此，工程上通常先通过置信度阈值过滤掉大部分低质量框（例如保留置信度大于0.25的框），将候选框数量降低到几百个，再执行NMS。在ROS2节点中，NMS通常在CPU上执行，对于实时性要求高的场景，可以考虑使用Fast NMS或Soft NMS等改进算法。
风险提示：NMS阈值设置不当会导致两类问题：阈值过高（如0.7）会导致同一目标保留多个重叠框，造成重复检测；阈值过低（如0.3）会导致相邻的同类目标被错误抑制，造成漏检。在密集场景（如人群检测）中，建议适当降低NMS阈值；在稀疏场景中，可以适当提高。
3.6 案例拆解：从模型输出到ROS2 Detection消息
下面通过一个完整的案例，展示如何将YOLOv8的原始输出转换为ROS2的Detection消息。假设我们使用一个在COCO数据集上预训练的YOLOv8n模型，输入图像尺寸为640×640，检测一张包含一个行人和一辆自行车的图片。
步骤1：模型推理输出
# 模型输出张量形状: [1, 84, 8400]
# 其中84 = 4(坐标) + 80(类别概率)
# 经过置信度过滤后，保留2个候选框：
# 候选框1: cx=0.35, cy=0.42, w=0.12, h=0.28, class=0(person), conf=0.92
# 候选框2: cx=0.68, cy=0.55, w=0.20, h=0.15, class=1(bicycle), conf=0.87步骤2：坐标转换与NMS
将归一化坐标转换为像素坐标（假设原始图像尺寸为1280×720）：
# 候选框1转换结果
x1 = int((0.35 - 0.12/2) * 1280) = 371
y1 = int((0.42 - 0.28/2) * 720) = 201
x2 = int((0.35 + 0.12/2) * 1280) = 524
y2 = int((0.42 + 0.28/2) * 720) = 403
# 候选框2转换结果
x1 = int((0.68 - 0.20/2) * 1280) = 742
y1 = int((0.55 - 0.15/2) * 720) = 342
x2 = int((0.68 + 0.20/2) * 1280) = 998
y2 = int((0.55 + 0.15/2) * 720) = 450由于两个框的类别不同且空间位置相距较远，IoU接近0，NMS不会抑制任何一个框。
步骤3：填充Detection消息
# 使用vision_msgs/Detection2D消息
vision_msgs/Detection2D[] detections
├─ header: stamp=now, frame_id="camera_link"
├─ results[0]:
│ ├─ id: 0
│ ├─ score: 0.92
│ ├─ bbox: center_x=447.5, center_y=302.0, size_x=153, size_y=202
│ └─ hypothesis: class_id=0, score=0.92
└─ results[1]:
├─ id: 1
├─ score: 0.87
├─ bbox: center_x=870.0, center_y=396.0, size_x=256, size_y=108
└─ hypothesis: class_id=1, score=0.87步骤4：结果验证与复盘
在RViz2中可视化检测结果，确认边界框正确包围目标。如果发现边界框偏移，需要检查坐标转换是否正确；如果发现重复检测，需要调整NMS阈值；如果发现漏检，需要降低置信度阈值。
复盘经验：在ROS2节点中，建议将坐标转换和NMS封装为独立的工具函数，并编写单元测试。使用已知的输入输出对（如上述案例）验证函数的正确性，可以避免在集成测试阶段才暴露坐标问题。
3.7 常见误区与总结
在目标检测基础概念的理解和应用中，初学者常犯以下错误：
- 混淆坐标格式：将YOLO输出的cxcywh直接当作xyxy使用，导致边界框偏移。解决方法是始终明确记录模型输出的坐标格式，并在代码注释中标注。
- 忽略归一化：模型输出的坐标可能是归一化的，直接用于图像绘制或消息发布会导致尺寸错误。必须乘以原始图像尺寸。
- NMS阈值一刀切：不同场景下最优NMS阈值不同。在ROS2中应通过参数动态调整，而不是固定写死。
- 置信度与类别概率混淆：YOLO的置信度是综合指标，而类别概率只是分类分支的输出。在输出最终结果时，应使用两者的乘积作为最终分数。
- 忽略类别ID映射：模型输出的类别ID是整数，需要映射到可读的类别名称（如0→"person"）。在ROS2中，建议使用std_msgs/String或自定义消息传递类别名称。