Bounding Box

Eine Bounding Box ist das kleinste achsenparallele Rechteck, das ein Objekt in einem Bild oder Videobild umschließt. Sie wird durch vier Zahlen beschrieben. Sie ist die Ausgabeeinheit bei der Objekterkennung: ein Detektor gibt für jedes Objekt eine Box zusammen mit einem Klassenlabel und einem Konfidenzwert zurück, und Annotierende zeichnen dieselben Boxen auf Trainingsdaten, um das Modell zu trainieren. Eine Box gibt die Position und ungefähre Größe eines Objekts an, ohne seine Form nachzuzeichnen. Dadurch lassen sich Boxen schnell labeln und kostengünstig vorhersagen.

Koordinatenformate#

Bildkoordinaten beginnen in der oberen linken Ecke. x wächst nach rechts und y nach unten. Jedes Boxformat speichert vier Zahlen, aber Datensätze und Bibliotheken unterscheiden sich darin, welche vier Zahlen gemeint sind. Werden die Formate verwechselt, verschiebt oder verzerrt sich jede Box unbemerkt.

• Eckpunkte (xyxy): die obere linke Ecke (x1, y1) und die untere rechte Ecke (x2, y2), in Pixeln. Annotationen im PASCAL-VOC-Format und die meisten Zeichen- und IoU-Funktionen verwenden diese Form.
• COCO-Format: zuerst die obere linke Ecke, danach Breite und Höhe, [x, y, Breite, Höhe], in Pixeln.
• YOLO-Format: zuerst der Mittelpunkt der Box, danach Breite und Höhe, jeweils geteilt durch die Bildbreite beziehungsweise Bildhöhe, sodass alle Werte zwischen 0 und 1 liegen. Ultralytics-YOLO-Modelle wie YOLO26 werden mit einer Textdatei pro Bild trainiert, die je Objekt eine Zeile enthält: den Klassenindex, dann x_center, y_center, width und height.

Normalisierte Koordinaten bleiben beim Skalieren erhalten: Ein Bild kann auf jede Trainingsauflösung skaliert werden, ohne seine Labels neu zu schreiben, da die Boxen als Bruchteile der Bildgröße gespeichert sind.

from ultralytics import YOLO

# Einen vortrainierten YOLO26-Nano-Detektor laden
model = YOLO("yolo26n.pt")

# Objekte erkennen und die Boxen des ersten Bildes abrufen
results = model("https://ultralytics.com/images/bus.jpg")
boxes = results[0].boxes

# Dieselbe erste Box in vier Formaten
print(boxes.xyxy[0])  # Eckpunkte in Pixeln
print(boxes.xywh[0])  # Mittelpunkt, Breite und Höhe in Pixeln
print(boxes.xyxyn[0])  # Eckpunkte geteilt durch Bildbreite und -höhe
print(boxes.xywhn[0])  # Mittelpunkt und Größe geteilt durch die Bildgröße, wie bei YOLO-Labels

Alle vier Zeilen beschreiben dasselbe Rechteck. Bei den normalisierten Versionen werden die Pixelwerte durch die Bildgröße von 810 × 1080 geteilt, und xywh wird vom Mittelpunkt der Box aus gemessen. Daher unterscheidet es sich von COCOs xywh-Format mit Ursprung oben links.

Wie Detektoren Boxen vorhersagen#

Ein Detektor sagt Boxen als Regressionsausgaben an vielen Positionen im Bild voraus. Frühere Architekturen sagten Offsets relativ zu vordefinierten Anchor-Boxen mit festen Größen und Seitenverhältnissen voraus. Anchor-freie Detektoren sagen direkt die Abstände eines Gitterpunkts zu den vier Boxkanten voraus. Beim Training werden vorhergesagte und gelabelte Boxen anhand von Verlustfunktionen verglichen, die auf Intersection over Union (IoU) basieren. Da benachbarte Positionen überlappende Boxen für dasselbe Objekt vorhersagen, entfernt die Nichtmaximumunterdrückung (NMS) die Duplikate bei der Inferenz.

Bounding Boxes labeln#

Ein Detektor lernt, Boxen so zu zeichnen, wie sie in seinen Labels gezeichnet sind. Daher bestimmen Richtlinien zur Datenannotation die Qualität der Boxen. Gute Richtlinien verlangen, dass Boxen die sichtbaren Kanten jedes Objekts berühren, dass jedes Vorkommen jeder Klasse gelabelt wird – denn ein ungelabeltes Objekt bringt dem Modell bei, es als Hintergrund zu betrachten – und dass eine feste Regel für verdeckte und abgeschnittene Objekte gilt, etwa nur den sichtbaren Teil einzurahmen. Auch die Evaluierung folgt denselben Regeln, da eine Vorhersage anhand ihrer IoU mit der gelabelten Box bewertet wird.

Bounding Boxes im Vergleich zu anderen Bereichstypen#

• Orientierte Bounding Boxes (OBB): Ein fünfter Wert, der Drehwinkel, ermöglicht es, die Box zu drehen, damit sie schräg ausgerichtete Objekte wie Schiffe oder Fahrzeuge in Luftbildern besser umfasst und weniger Hintergrund einschließt.
• Instanzsegmentierung: eine pixelweise Maske, die die genaue Form jedes Objekts umreißt.
• Keypoints: einzelne Landmarkenpunkte, etwa Körpergelenke für die Posenschätzung.
• 3D-Bounding-Boxes: Quader im realen Raum, die üblicherweise durch sieben Zahlen beschrieben werden: den Mittelpunkt (x, y, z), Länge, Breite und Höhe in Metern sowie einen Ausrichtungswinkel.