4、YOLO目标检测原理：锚框机制、边界框回归、非极大值抑制（NMS）、置信度阈值与IOU计算

YOLO 的核心思想，说白了就是「看一眼就知道哪里有什么」。它不像老派的检测方法那样先提候选区域再分类，而是把整张图丢进网络，一次推理直接输出所有目标的位置和类别。

但这里有个关键问题：网络输出的原始结果是一堆乱七八糟的数字，怎么把这些数字变成我们想要的边界框？这就得靠锚框、回归、NMS 和 IOU 这几个核心机制了。我刚开始接触 YOLO 时，觉得这些概念很抽象，后来在项目中调参调得多了，才真正理解它们各自扮演的角色。

4.1 锚框机制：YOLO 的「先验知识」

YOLO 不是在图像上随机猜框的。它有一组预设的「锚框」（Anchor Boxes），也叫先验框。这些框的尺寸和宽高比，是通过对训练数据集中所有标注框做 K-Means 聚类得到的。

举个例子，如果你训练的数据集里大部分是人（瘦高）和车（矮宽），那聚类出来的锚框就会包含几种典型的形状。YOLOv3 用了 9 个锚框，每 3 个一组分配给不同尺度的特征图。

锚框是怎么工作的？

• 特征图上的每个网格单元（cell）都预设了若干个锚框。
• 网络不直接预测框的坐标，而是预测「相对于锚框的偏移量」。
• 每个锚框负责检测与其形状接近的目标。

你想想看，如果没有锚框，网络要直接从零学习预测任意形状的框，那收敛难度会大很多。锚框相当于给了网络一个「起点」，它只需要在这个起点上做微调就行了。

4.2 边界框回归：从锚框到精确框

有了锚框，接下来就是怎么把它「挪」到目标真正的位置上。这个过程叫边界框回归（Bounding Box Regression）。

网络输出的不是 (x, y, w, h)，而是四个偏移量：t_x、t_y、t_w、t_h。然后通过以下公式计算出最终的边界框：

b_x = σ(t_x) + c_x
b_y = σ(t_y) + c_y
b_w = p_w * exp(t_w)
b_h = p_h * exp(t_h)

其中：

• c_x、c_y 是网格单元的左上角坐标。
• p_w、p_h 是锚框的宽高。
• σ 是 Sigmoid 函数，把偏移量限制在 0~1 之间，确保中心点落在当前网格内。

为什么要用指数 exp 来算宽高？因为宽高必须是正数，而 exp 能把任意实数映射到正数范围。这个设计很巧妙，我当初自己写检测网络时，直接回归宽高值，结果训练经常崩掉。后来改成 YOLO 这种偏移量回归方式，稳定多了。

4.3 置信度阈值：第一道筛选

网络会为每个预测框输出一个置信度分数（Confidence Score），表示「这个框里有没有目标」以及「框得准不准」的综合置信度。

置信度的计算公式：

Confidence = Pr(Object) * IOU(pred, truth)

如果 Pr(Object) = 0（框里没有目标），置信度就是 0。如果框里有目标，置信度就是预测框与真实框的 IOU。

实际操作中，我们会设置一个阈值（比如 0.5），把所有置信度低于这个值的框直接扔掉。这一步能过滤掉大量背景框和低质量的检测结果。

4.4 IOU 计算：衡量框的重叠程度

IOU（Intersection over Union，交并比）是目标检测中最基础也最重要的指标。它计算两个边界框的交集面积与并集面积的比值。

IOU = (A ∩ B) / (A ∪ B)

IOU 的取值范围是 0~1：

• 0 表示两个框完全不重叠。
• 1 表示两个框完全重合。
• 通常 IOU > 0.5 就认为两个框匹配上了。

IOU 在 YOLO 中有三个关键用途：

1. 训练时： 计算预测框与真实框的 IOU，用于损失函数和正负样本分配。
2. 评估时： 计算检测结果与标注框的 IOU，判断检测是否正确（mAP 计算的基础）。
3. 后处理时： NMS 中判断两个框是否重叠过多，需要合并。

def compute_iou(box1, box2):
    # box格式: [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_area = max(0, x2 - x1) * max(0, y2 - y1)
    box1_area = (box1[2] - box1[0]) * (box1[3] - box1[1])
    box2_area = (box2[2] - box2[0]) * (box2[3] - box2[1])
    union_area = box1_area + box2_area - inter_area

    return inter_area / union_area if union_area > 0 else 0

4.5 非极大值抑制（NMS）：最后的去重

经过置信度阈值筛选后，同一个目标周围可能还有好几个重叠的框。NMS 的作用就是保留最好的那个，去掉多余的。

NMS 的执行步骤：

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. 计算这个框与其他所有框的 IOU。
4. 如果 IOU 大于设定的 NMS 阈值（通常 0.5），就把那个框删掉。
5. 重复步骤 2~4，直到没有框剩下。

NMS 阈值的影响：

• 阈值设得太低（如 0.3）：容易把相邻的不同目标误删，导致漏检。
• 阈值设得太高（如 0.7）：重叠框去不干净，同一个目标出现多个检测结果。

4.6 四个机制如何协同工作

这四个机制不是孤立的，它们是一条流水线：

我个人习惯把整个流程理解成「先粗后精」：锚框给出候选位置，回归做精调，阈值做粗筛，NMS 做精筛。每一步的参数调整都会影响最终效果，调试时建议按这个顺序逐个排查。