3. 解析YOLO输出：边界框坐标、置信度、类别概率的提取与解码

YOLO模型跑完一次前向推理，输出的到底是什么？说白了，就是一个巨大的张量（Tensor）。很多人拿到这个张量就懵了——一堆浮点数，怎么变成画面上的框和标签？

我刚开始接触YOLO时也踩过这个坑。模型推理成功了，但输出结果完全看不懂。后来才明白，YOLO的输出格式其实有一套固定的编码规则。搞懂它，你就能从原始数据里把边界框、置信度、类别概率一个个拆出来。

3.1 YOLO输出的原始结构

YOLOv5/v8的输出张量形状通常是：[batch_size, num_anchors * (5 + num_classes), grid_h, grid_w]。但经过后处理（如NMS）之前，我们更常看到的是扁平化后的形状：[batch_size, num_predictions, 5 + num_classes]。

举个例子，YOLOv8默认输入640×640，输出就是[1, 84, 8400]。这里的8400是三个尺度特征图上所有网格预测框的总数。84这个维度里，前4个是边界框坐标，第5个是置信度（或目标性分数），后面80个是COCO数据集的类别概率。

维度索引	含义	说明
0-3	边界框坐标	通常是 cx, cy, w, h（中心点+宽高）
4	目标置信度	该位置存在目标的概率，范围0~1
5~84	类别概率	每个类别的得分，共80个（COCO）

3.2 边界框坐标解码

YOLO输出的坐标是归一化后的值，范围在0~1之间。但注意，它用的是中心点坐标+宽高的格式，而不是左上角+右下角。

解码公式其实很简单：

# 假设输出张量为 output，形状 [1, 84, 8400]
# 先转置成 [8400, 84] 方便处理
output = output.permute(0, 2, 1)  # [1, 8400, 84]

# 提取前4个值：cx, cy, w, h
cx = output[0, :, 0]
cy = output[0, :, 1]
w  = output[0, :, 2]
h  = output[0, :, 3]

# 转换成 x1, y1, x2, y2（左上角+右下角）
x1 = cx - w / 2
y1 = cy - h / 2
x2 = cx + w / 2
y2 = cy + h / 2

# 如果原始图像尺寸是 (img_w, img_h)，需要反归一化
x1 = x1 * img_w
y1 = y1 * img_h
x2 = x2 * img_w
y2 = y2 * img_h

3.3 置信度与类别概率的提取

置信度代表模型对这个预测框的「自信程度」。在YOLOv8中，它直接取80个类别概率的最大值。而在YOLOv5中，它是objectness分数乘以最大类别概率。

提取类别概率时，我一般用argmax找到得分最高的类别，同时记录这个最高分作为置信度。

# 提取类别概率部分（索引5到末尾）
class_probs = output[0, :, 5:]  # [8400, 80]

# 找到每个预测框的最佳类别和对应分数
scores, class_ids = torch.max(class_probs, dim=1)

# 过滤低置信度的预测框
confidence_threshold = 0.5
mask = scores > confidence_threshold

filtered_boxes = boxes[mask]
filtered_scores = scores[mask]
filtered_class_ids = class_ids[mask]

3.4 完整解码流程

把上面几步串起来，就是一个完整的YOLO输出解析流程。我个人习惯把它封装成一个函数，方便复用。

def decode_yolo_output(output, img_shape, conf_threshold=0.5):
    """
    解析YOLO输出张量
    :param output: 模型输出，形状 [1, 84, 8400]
    :param img_shape: 原始图像尺寸 (h, w)
    :param conf_threshold: 置信度阈值
    :return: boxes, scores, class_ids
    """
    img_h, img_w = img_shape
    
    # 转置成 [8400, 84]
    output = output.permute(0, 2, 1).squeeze(0)
    
    # 提取坐标
    cx, cy, w, h = output[:, 0], output[:, 1], output[:, 2], output[:, 3]
    
    # 转成 x1y1x2y2 并反归一化
    x1 = (cx - w / 2) * img_w
    y1 = (cy - h / 2) * img_h
    x2 = (cx + w / 2) * img_w
    y2 = (cy + h / 2) * img_h
    
    boxes = torch.stack([x1, y1, x2, y2], dim=1)
    
    # 裁剪到图像边界
    boxes[:, 0] = boxes[:, 0].clamp(0, img_w)
    boxes[:, 1] = boxes[:, 1].clamp(0, img_h)
    boxes[:, 2] = boxes[:, 2].clamp(0, img_w)
    boxes[:, 3] = boxes[:, 3].clamp(0, img_h)
    
    # 提取类别概率和置信度
    class_probs = output[:, 5:]
    scores, class_ids = torch.max(class_probs, dim=1)
    
    # 过滤低置信度
    mask = scores > conf_threshold
    
    return boxes[mask], scores[mask], class_ids[mask]

3.5 解码后的数据流向

解码完成后，我们得到的是三个列表：边界框坐标、置信度分数、类别ID。这些数据接下来会进入NMS（非极大值抑制）阶段，去除重复的检测框。但那是下一章的内容了。

这里我想强调一点：解码后的坐标单位是像素，但YOLO内部用的是归一化坐标。如果你要保存结果到文件或传给其他系统，记得统一单位。我在项目中就遇到过因为单位不一致导致框的位置完全错位的情况——排查了半天才发现是归一化和反归一化搞反了。

3.6 常见问题与避坑

• 坐标格式混淆：YOLOv5输出的是归一化的cxcywh，但有些版本的OpenCV或绘图函数需要x1y1x2y2。转换时注意除法顺序，我见过有人把w/2写成了2/w，结果框全乱了。
• 置信度阈值选择：没有万能阈值。我在做行人检测时用0.3，做工业缺陷检测时用0.8。建议先跑一批数据，画出置信度分布直方图，再决定阈值。
• 类别索引偏移：COCO数据集的类别ID从0开始（person=0），但有些自定义数据集从1开始。解码后记得检查class_id的范围，避免索引越界。
• 批量处理：如果batch_size大于1，解码时要遍历每个batch。我习惯用向量化操作一次性处理，避免Python循环拖慢速度。