3、目标检测基础理论：任务定义、IoU与NMS、Anchor机制、损失函数

各位同学，欢迎来到第三章。从这章开始，我们正式进入目标检测的核心地带。

很多人一上来就撸YOLO代码，结果调参调到怀疑人生。为什么？说白了，就是基础理论没吃透。今天这章，我带你把这四个地基打牢：任务定义、IoU与NMS、Anchor机制、损失函数。这些东西搞明白了，后面写代码你会觉得“哦，原来如此”。

3.1 目标检测任务定义：不只是“找东西”

图像分类，就是给一张图打标签，比如“这是一只猫”。但目标检测要干两件事：分类 + 定位。你得告诉我图里有什么，还得用框把它圈出来。

我习惯把检测任务拆成两个子问题：

• 分类子任务：判断框里是猫、狗还是背景。
• 定位子任务：回归出框的四个坐标 (x, y, w, h)。

你想想看，一张监控画面里可能有行人、车辆、自行车。模型得同时输出每个目标的类别和位置。这就是检测和分类最本质的区别。

3.2 IoU与NMS：检测的“质检员”和“清道夫”

3.2.1 IoU：交并比

IoU，全称Intersection over Union。说白了，就是两个框的重叠程度。

计算公式很简单：

IoU = (A ∩ B) / (A ∪ B)

分子是两个框的交集面积，分母是并集面积。IoU值在0到1之间，越接近1，说明两个框重合得越好。

在项目中，我常用IoU做三件事：

• 评估检测质量：预测框和真实框的IoU > 0.5，就算检测正确。
• 正负样本分配：IoU > 0.7的Anchor算正样本，< 0.3的算负样本。
• NMS去重：IoU > 阈值就干掉一个。

3.2.2 NMS：非极大值抑制

模型预测时，同一个目标会输出一堆候选框。NMS的作用就是去重，只保留最好的那个。

算法流程其实很直观：

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. 计算它和其他框的IoU，干掉IoU大于阈值（比如0.5）的框。
4. 重复步骤2-3，直到没有框剩下。

嗯，这里要注意：阈值设得太小，容易漏检；设得太大，又会有重复框。我一般从0.5开始调，根据实际效果微调。

3.3 Anchor机制：给模型“打个样”

Anchor，也叫先验框。为什么需要它？

你想想看，如果让模型直接回归任意形状的框，太难了。模型不知道“框大概长什么样”。Anchor就是预设好的一组框，模型只需要在Anchor的基础上做微调。

YOLOv3/v5用的Anchor是怎么来的？

• K-means聚类：在训练集上，对所有真实框的宽高做聚类。
• 9个Anchor：3个尺度 × 3个长宽比，覆盖大、中、小目标。
• 每个特征图格子：预测3个框，每个框对应一个Anchor。

3.4 损失函数：模型学习的“指挥棒”

损失函数告诉模型：你错在哪，错得有多严重。YOLO的损失函数由三部分组成：

Loss = λcoord * Lossbox + Lossobj + Losscls

3.4.1 定位损失（Loss_box）

早期YOLO用MSE（均方误差），后来换成GIoU、CIoU。为什么？

• MSE：对尺度敏感，大框和小框的误差量级不一样。
• GIoU：在IoU基础上，考虑了框不相交时的梯度问题。
• CIoU：进一步加入中心点距离和长宽比，收敛更快。

我个人推荐用CIoU。在安防场景下，行人框的长宽比变化很大，CIoU能更好地处理这种情况。

3.4.2 置信度损失（Loss_obj）

判断格子内是否有目标。用二值交叉熵（BCE Loss）。

这里有个坑：正负样本极度不平衡。一张图里可能只有几个目标，但背景格子成千上万。YOLO用了Focal Loss的思想，给难分样本更大的权重。

3.4.3 分类损失（Loss_cls）

多标签分类，也是BCE Loss。注意，YOLO对每个类别独立做二分类，而不是Softmax多分类。为什么？因为一个框可能同时属于“行人”和“骑自行车的人”，Softmax会强制互斥。

3.5 本章小结

这一章我们聊了四个核心概念：

• 任务定义：检测 = 分类 + 定位。
• IoU与NMS：评估重叠度，去重保最优。
• Anchor机制：预设先验框，降低回归难度。
• 损失函数：三部分损失，指挥模型学习。

这些理论，是后面所有实战章节的基石。你可能会觉得有点抽象，没关系，等我们开始写代码、跑模型时，你会反复和它们打交道。到时候再回来看这章，会有更深的理解。