边界框、IoU 与非极大值抑制
概念解释
检测输出类别、分数和边界框。连续坐标下可用 (x₁,y₁,x₂,y₂) 或中心点加宽高表示，交并比 IoU=交集面积/并集面积衡量两个区域的重合。常规 NMS 按分数保留候选，再抑制与已选框重叠过大的候选。
核心方法与条件
统一坐标格式、边界包含规则与图像缩放映射，再计算 IoU。NMS 的重叠阈值、分数阈值和按类别处理策略需要在验证数据上选择；它们分别影响重复框和漏检。
例题或应用
两个面积均为 100 的框，交集面积为 60，则 IoU=60/(100+100−60)=3/7≈0.429。若二者同类、NMS 阈值为 0.4，常规贪心 NMS 会在选中高分框后抑制低分框。
常见易错点
拥挤场景中两个真实目标也可能高度重叠，过强的 NMS 会删掉正确框。IoU 对小目标的坐标误差更敏感，框内包含目标也不代表定位足够精确。
自检
请尝试不用原文解释“边界框、IoU 与非极大值抑制”解决什么问题，再设计一个属于“目标检测与分割”的实例，并说明适用条件和判断依据。