我们之前运行的模型都是分类任务，即我们输入一张图片，模型输出这张图片属于何种类别。

然而我们不仅想知道类别，还想知道它们在图片中的具体位置。这类任务称为目标检测。

1 边界框

在目标检测中，我们使用边界框（Bounding Box）描述对象的空间位置。边界框是一个四边平行于图片边界的矩形，通常由左上和右下角的坐标来决定。在某些场合中，边界框也可以使用边界中心坐标和边界框的宽高表示。

2 锚框

目标检测算法通常会在输入图像中采样大量区域，然后判断这些区域中是否包含我们想要的目标，并调整区域边界从而更准确地预测目标的真实边界框。

这些区域称为锚框，是预定义的一组矩形框，具有不同的尺度和长宽比，网络在每个特征图位置上基于这些框进行预测，从而统一检测结构、提高训练效率。

3 交并比

交并比用来衡量锚框和真实边界框的相似度。

$$J(\mathcal{A},\mathcal{B}) = \frac{\left|\mathcal{A} \cap \mathcal{B}\right|}{\left| \mathcal{A} \cup \mathcal{B}\right|}$$

交并比的取值范围在 0 和 1 之间，0 表示两个边界框无重合像素，1 表示两个边界框完全重合。

4 非极大值抑制 NMS

在预测时我们会为图像生成许多锚框，其中可能有一些具有明显重叠的预测锚框都围绕着同一目标。为了简化输出，我们使用非极大值抑制（Non-maximum Suppression，NMS）合并这些锚框。

对于一个预测边界框$B$，目标检测模型会计算每个类别的预测概率。假设最大的预测概率为$p$，则该概率所对应的类别$B$即为预测的类别。具体来说，我们将$p$称为预测边界框$B$的置信度。

在同一张图像中，所有预测的非背景边界框都按置信度降序排序，以生成列表$L$。然后我们通过以下步骤操作排序列表$L$。

1. 从$L$中选取置信度最高的预测边界框$B_1$作为基准，然后将所有与$B_1$的IoU超过预定阈值$\epsilon$的非基准预测边界框从$L$中移除。这时，$L$保留了置信度最高的预测边界框，去除了与其太过相似的其他预测边界框。简而言之，那些具有非极大值置信度的边界框被抑制了。

2. 从$L$中选取置信度第二高的预测边界框$B_2$作为又一个基准，然后将所有与$B_2$的IoU大于$\epsilon$的非基准预测边界框从$L$中移除。

3. 重复上述过程，直到$L$中的所有预测边界框都曾被用作基准。此时，$L$中任意一对预测边界框的IoU都小于阈值$\epsilon$；因此，没有一对边界框过于相似。

4. 输出列表$L$中的所有预测边界框。