Bounding Box

边界框是包围图像或视频帧中某个对象的最小轴对齐矩形，由四个数字描述。它是目标检测的输出单位：检测器会为每个对象返回一个框，以及类别标签和置信度分数；标注人员会在训练数据上绘制相同的框来教模型。边界框可以定位对象并粗略表示其大小，而无需描出对象轮廓，因此标注和预测都很快速、成本也低。

坐标格式#

图像坐标从左上角开始，x 向右递增，y 向下递增。每种边界框格式都存储四个数字，但不同数据集和库对这四个数字的定义并不一致；格式混用会悄无声息地让所有边界框发生偏移或拉伸。

• 角点 (xyxy)：左上角 (x1, y1) 和右下角 (x2, y2)，单位为像素。PASCAL VOC 标注以及大多数绘图和 IoU 函数都使用这种格式。
• COCO 格式：左上角坐标，后跟宽度和高度，即以像素为单位的 [x, y, width, height]。
• YOLO 格式：边界框中心坐标，后跟宽度和高度；各数值分别除以图像宽度或高度，因此都处于 0 到 1 之间。Ultralytics YOLO 模型（例如 YOLO26）使用每张图像对应一个文本文件的格式进行训练，每个对象占一行：类别索引，然后是 x_center、y_center、width 和 height。

归一化坐标在调整大小后仍然有效：图像可以缩放到任意训练分辨率，无需重写标签，因为边界框以图像尺寸的比例值存储。

from ultralytics import YOLO

# 加载一个预训练的 YOLO26 nano 检测器
model = YOLO("yolo26n.pt")

# 检测对象并获取第一张图像中的边界框
results = model("https://ultralytics.com/images/bus.jpg")
boxes = results[0].boxes

# 四种格式表示的同一个第一个边界框
print(boxes.xyxy[0])  # 像素坐标中的角点
print(boxes.xywh[0])  # 像素坐标中的中心、宽度和高度
print(boxes.xyxyn[0])  # 角点坐标分别除以图像宽度和高度
print(boxes.xywhn[0])  # 中心坐标和尺寸分别除以图像尺寸，与 YOLO 标签相同

这四行都描述同一个矩形。归一化版本将像素值除以图像的 810 × 1080 尺寸；xywh 从边界框中心开始测量，因此与 COCO 的左上角 xywh 格式不同。

检测器如何预测边界框#

检测器会在图像中的许多位置以回归输出的形式预测边界框。早期设计会根据固定尺寸和宽高比的预定义锚框预测偏移量，而无锚框检测器则直接预测从网格点到边界框四条边的距离。训练时会使用基于交并比 (IoU)的损失函数比较预测框和标注框；由于相邻位置会为同一对象预测出重叠边界框，非极大值抑制 (NMS)会在推理时删除重复框。

边界框标注#

检测器会学习按照标签绘制边界框，因此数据标注指南决定了边界框的质量。良好的指南要求边界框贴合每个对象的可见边缘，为每个类别的每个实例都添加标签（因为未标注对象会让模型把它当作背景），并为被遮挡或截断的对象制定固定规则，例如只框出可见部分。评估也沿用相同规则，因为预测结果是根据其与标注框的 IoU 进行评分的。

边界框与其他区域类型#

• 有向边界框 (OBB)：增加第五个值——旋转角度——即可让边界框旋转以贴合倾斜对象，例如航拍图像中的船只或车辆，并显著减少框内背景。
• 实例分割：逐像素掩码，可勾勒出每个对象的精确形状。
• 关键点：单独的特征点，例如用于姿态估计的身体关节。
• 3D 边界框：真实世界空间中的长方体，通常由七个数字描述：中心坐标 (x, y, z)、以米为单位的长、宽、高，以及航向角。