边界框

物体检测的重要性

边界框是训练机器学习模型的基础，尤其是在物体检测方面，其目标是让人工智能系统能够像人类一样 "看到 "和解释视觉数据。在Ultralytics YOLO 等物体检测模型中，边框有助于精确定位单张图像中多个物体的位置。通过在每个检测到的物体周围画一个矩形框，这些框提供了一个清晰的视觉标记，缩小了检测模型的焦点，提高了物体检测的准确性和效率。这一功能对于需要精确定位物体的应用（如自动驾驶汽车、安防系统和库存管理）至关重要。

与边框有关的关键概念

在机器学习领域，有几个重要的概念与边界框密切相关：

• 交集大于联合（IoU）：IoU 是用于评估物体检测模型准确性的指标。它衡量的是预测边界框与地面实况边界框之间的重叠程度，提供了一个比率来表示预测与实际物体位置的匹配程度。IoU 分数越高，表示预测越准确。
• 非最大值抑制（NMS）：NMS 是一种后处理技术，用于完善物体检测模型的输出。它可以消除重叠严重的冗余边界框，确保只保留最有把握和最准确的检测结果。
• 平均精度 (mAP)：mAP 是评估物体检测模型整体性能的综合指标。它考虑了多个类别和 IoU 阈值的精确度和召回率，为模型准确检测物体的有效性提供了一个可靠的衡量标准。

边界框与相关术语

虽然边界框用于定位物体，但它有别于语义分割和实例分割等其他计算机视觉技术。语义分割涉及将图像中的每个像素归入一个特定类别，提供详细的轮廓，但无法区分同一类别中的单个物体。而实例分割则是识别并勾勒出每个不同的物体实例，通过为每个物体提供像素级掩码，提供比边界框更详细的信息。

在现实世界中的应用

边界框因其简单有效而被广泛应用于现实世界中。下面是两个突出的例子：