Bounding Box

Uma caixa delimitadora é o menor retângulo alinhado aos eixos que contém um objeto em uma imagem ou quadro de vídeo, descrito por quatro números. Ela é a unidade de saída na detecção de objetos: um detector retorna uma caixa por objeto, junto com um rótulo de classe e uma pontuação de confiança, e os anotadores desenham as mesmas caixas nos dados de treinamento para ensinar o modelo. Uma caixa localiza um objeto e indica seu tamanho aproximado sem contornar sua forma, o que torna as caixas rápidas de rotular e baratas de prever.

Formatos de coordenadas#

As coordenadas da imagem começam no canto superior esquerdo, com x aumentando para a direita e y aumentando para baixo. Cada formato de caixa armazena quatro números, mas conjuntos de dados e bibliotecas divergem sobre quais são esses quatro números; confundi-los desloca ou estica silenciosamente todas as caixas.

• Cantos (xyxy): o canto superior esquerdo (x1, y1) e o canto inferior direito (x2, y2), em pixels. As anotações do PASCAL VOC e a maioria das funções de desenho e IoU usam esse formato.
• Formato COCO: o canto superior esquerdo, seguido pela largura e pela altura, [x, y, largura, altura], em pixels.
• Formato YOLO: o centro da caixa, seguido pela largura e pela altura, cada uma dividida pela largura ou altura da imagem, de modo que todos os valores fiquem entre 0 e 1. Os modelos Ultralytics YOLO, como YOLO26, treinam com um arquivo de texto por imagem e uma linha por objeto: o índice da classe, seguido por x_center, y_center, width e height.

As coordenadas normalizadas permanecem válidas após o redimensionamento: uma imagem pode ser escalada para qualquer resolução de treinamento sem reescrever seus rótulos, pois as caixas são armazenadas como frações do tamanho da imagem.

from ultralytics import YOLO

# Carrega um detector nano YOLO26 pré-treinado
model = YOLO("yolo26n.pt")

# Detecta objetos e obtém as caixas da primeira imagem
results = model("https://ultralytics.com/images/bus.jpg")
boxes = results[0].boxes

# A mesma primeira caixa nos quatro formatos
print(boxes.xyxy[0])  # cantos em pixels
print(boxes.xywh[0])  # centro, largura e altura em pixels
print(boxes.xyxyn[0])  # cantos divididos pela largura e altura da imagem
print(boxes.xywhn[0])  # centro e tamanho divididos pelo tamanho da imagem, como nos rótulos YOLO

As quatro linhas descrevem um retângulo. As versões normalizadas dividem os valores em pixels pelo tamanho da imagem, 810 × 1080, e xywh é medido a partir do centro da caixa, por isso difere do xywh do canto superior esquerdo do COCO.

Como os detectores preveem caixas#

Um detector prevê caixas como saídas de regressão em muitas posições da imagem. Os projetos anteriores previam deslocamentos em relação a caixas âncora predefinidas, com tamanhos e proporções fixos, enquanto os detectores sem âncoras preveem diretamente as distâncias de um ponto da grade até as quatro bordas da caixa. Durante o treinamento, as caixas previstas e rotuladas são comparadas com funções de perda baseadas na interseção sobre união (IoU); como posições vizinhas preveem caixas sobrepostas para o mesmo objeto, a supressão não máxima (NMS) remove as duplicatas durante a inferência.

Rotulagem de caixas delimitadoras#

Um detector aprende a desenhar caixas da mesma forma que elas aparecem nos rótulos; por isso, as diretrizes de anotação de dados determinam a qualidade das caixas. Boas diretrizes pedem que as caixas toquem as bordas visíveis de cada objeto, que todas as instâncias de todas as classes sejam rotuladas — pois um objeto sem rótulo ensina ao modelo que ele é plano de fundo — e que haja uma regra fixa para objetos oclusos e truncados, como delimitar apenas a parte visível. A avaliação segue as mesmas regras, pois a previsão recebe uma pontuação com base na IoU em relação à caixa rotulada.

Caixas delimitadoras versus outros tipos de regiões#

• Caixas delimitadoras orientadas (OBB): um quinto valor, o ângulo de rotação, permite que a caixa gire para se ajustar a objetos inclinados, como navios ou veículos em imagens aéreas, com muito menos plano de fundo dentro dela.
• Segmentação de instâncias: uma máscara por pixel que delineia a forma exata de cada objeto.
• Pontos-chave: pontos de referência individuais, como articulações do corpo usadas para estimar a pose.
• Caixas delimitadoras 3D: paralelepípedos no espaço real, geralmente descritos por sete números: o centro (x, y, z), o comprimento, a largura e a altura em metros, e um ângulo de orientação.