3. 目标检测基础：任务定义、IoU、NMS 与 Anchor 机制

各位同学，欢迎来到第三章。从这一章开始，我们正式进入目标检测的核心地带。很多初学者一上来就调 YOLO 的代码，跑通了就觉得自己会了。但遇到工业场景里的刁钻问题——比如小目标漏检、重复框太多、正负样本不平衡——马上就懵了。

为什么？因为底层的四个概念没吃透：任务定义、IoU、NMS 和 Anchor。今天我就把这四个东西掰开了讲，结合我踩过的坑，帮你把地基打牢。

3.1 目标检测任务定义

先问个问题：图像分类和目标检测，到底差在哪？

分类只回答「这是什么」，检测要回答「这是什么 + 在哪」。所以一个检测模型的输出，本质上是一组 边界框 + 类别标签 + 置信度 的集合。

在工业项目里，我习惯把检测任务拆成两个子问题：

• 定位——框得准不准（用 IoU 衡量）
• 分类——认得对不对（用置信度 + 类别概率衡量）

你想想看，如果框偏了但类别对了，产线可能误判；如果框准了但类别错了，那更麻烦。所以两个都得抓。

3.2 IoU（交并比）—— 框的「重合度」尺子

IoU 全称 Intersection over Union，说白了就是两个框的交集面积 ÷ 并集面积。值域 [0, 1]，越大说明框得越准。

def compute_iou(box1, box2):
    # box: [x1, y1, x2, y2]
    x1 = max(box1[0], box2[0])
    y1 = max(box1[1], box2[1])
    x2 = min(box1[2], box2[2])
    y2 = min(box1[3], box2[3])

    inter = max(0, x2 - x1) * max(0, y2 - y1)
    area1 = (box1[2] - box1[0]) * (box1[3] - box1[1])
    area2 = (box2[2] - box2[0]) * (box2[3] - box2[1])
    union = area1 + area2 - inter

    return inter / union if union > 0 else 0.0

这段代码我几乎每个项目都会用到。注意那个 max(0, ...)，防止两个框不相交时出现负面积。

IoU 还有几个变种，我列个表给你参考：

我曾经在一个 PCB 缺陷检测项目里，用普通 IoU 做 NMS，结果两个挨得很近的焊点总被合并成一个。换成 DIoU 后，召回率直接提了 5 个点。所以别小看这个指标，选对了事半功倍。

3.3 NMS（非极大值抑制）—— 去重利器

模型预测时，同一个目标周围会冒出几十个框。NMS 的作用就是：只留下最好的那个。

算法流程其实很简单：

1. 把所有框按置信度从高到低排序
2. 选置信度最高的框，保留它
3. 跟剩下的框算 IoU，如果 IoU > 阈值（比如 0.5），就干掉
4. 重复 2-3，直到没框了

def nms(boxes, scores, iou_threshold=0.5):
    indices = sorted(range(len(scores)), key=lambda i: scores[i], reverse=True)
    keep = []

    while indices:
        i = indices[0]
        keep.append(i)
        rest = indices[1:]

        # 计算当前框与其余框的 IoU
        ious = [compute_iou(boxes[i], boxes[j]) for j in rest]
        indices = [rest[j] for j in range(len(rest)) if ious[j] <= iou_threshold]

    return keep

NMS 也有改进版：Soft-NMS。它不直接删框，而是按 IoU 大小降低置信度。我试过几次，效果有提升但速度慢了些。工业部署时，如果算力有限，还是用标准 NMS 加调参更实在。

3.4 Anchor 机制 —— 检测的「先验框」

Anchor 是什么？说白了就是预设好的一组框的尺寸和比例。模型不是直接预测框的坐标，而是预测「相对于 Anchor 的偏移量」。

为什么要这么干？因为直接回归坐标太难了。给模型一个先验知识——「目标大概这么宽、这么高」——训练会快很多。

YOLOv5 的 Anchor 是怎么来的？用 K-Means 对训练集的标注框做聚类。我一般设 9 个 Anchor，分 3 个尺度：

注意，这些尺寸是相对于输入图像（比如 640×640）的像素值。你换一个输入尺寸，Anchor 要重新算。

Anchor 的匹配策略也很关键。训练时，每个标注框会跟所有 Anchor 算 IoU，选 IoU 最大的那个作为正样本。如果最大 IoU 都小于阈值（比如 0.3），就当成背景。这个阈值设高了，正样本太少；设低了，噪声太多。我一般设在 0.3~0.4 之间。

3.5 知识结构总览

下面这张图把本章四个核心概念串起来了，你可以对照着复习：

这四个概念环环相扣：任务定义告诉你「做什么」，IoU 告诉你「做多好」，NMS 帮你「去冗余」，Anchor 帮你「定起点」。后面讲 YOLO 网络结构时，你会发现每个模块都在跟这四个东西打交道。