1. 交并比(IoU)：锚框匹配的黄金标准

在目标检测任务中，我们经常会遇到这样的场景：算法生成了一大堆候选框（锚框），但如何判断哪些锚框真正框住了目标物体？这时候就需要**交并比(Intersection over Union, IoU)**这个关键指标了。

我第一次接触IoU时，觉得这个概念特别直观——就像比较两个重叠的便利贴。假设红色便利贴是真实目标框，蓝色便利贴是预测框，两者的重叠面积越大，说明预测越准确。具体计算时，用两个框的交集面积除以并集面积就得到了IoU值。

def compute_iou(box1, box2):
    # box格式: [x1,y1,x2,y2] (左上角坐标+右下角坐标)
    # 计算交集区域坐标
    x1 = max(box1[0], box2[0])
    y1 = max(box1[1], box2[1])
    x2 = min(box1[2], box2[2]) 
    y2 = min(box1[3], box2[3])
    
    # 计算交集面积
    inter_area = max(0, x2 - x1) * max(0, y2 - y1)
    
    # 计算各自面积
    box1_area = (box1[2]-box1[0])*(box1[3]-box1[1])
    box2_area = (box2[2]-box2[0])*(box2[3]-box2[1])
    
    # 计算并集面积 
    union_area = box1_area + box2_area - inter_area
    
    return inter_area / union_area

实际项目中我发现几个关键点：

1. IoU对框的位置敏感度高于大小敏感度。两个小框稍微偏移一点IoU就骤降，而大框偏移同样距离IoU变化较小
2. 一般设置0.5作为正负样本阈值——IoU>0.5视为可能包含目标，<0.5视为背景
3. 计算时要特别注意边缘情况：无交集时返回0，完全重合时返回1

2. 锚框匹配策略：从暴力搜索到智能分配

有了IoU这个评判标准，接下来就要解决锚框和真实框的匹配问题。早期我尝试过最简单的暴力匹配——为每个真实框找IoU最大的锚框：

def naive_match(anchors, gt_boxes):
    # anchors: [N,4], gt_boxes: [M,4]
    iou_matrix = compute_iou_matrix(anchors, gt_boxes)  # [N,M]
    matches = np.argmax(iou_matrix, axis=1)  # 每个锚框匹配最大IoU的真实框
    return matches

但很快就发现问题：多个锚框可能匹配到同一个真实框，而有些真实框可能没有匹配到任何锚框。后来在项目中采用了更成熟的 二分图匹配策略 ，主要分两步：

1. 优先匹配 ：找出所有互为首选的匹配对（即锚框A的最佳真实框是B，且B的最佳锚框也是A）
2. 阈值匹配 ：对剩余锚框，匹配IoU>0.5的真实框

这种策略在Faster R-CNN等经典算法中表现良好。以VOC数据集为例，使用这种匹配策略可以将正样本比例从原来的15%提升到35%左右。

3. 预测框优化：从粗糙到精细的回归

匹配完成后，我们需要教会模型如何将粗糙的锚框"微调"成精确的预测框。这里涉及到 边界框回归 技术。经过多次实验，我发现以下回归参数效果最好：

tx = (gx - px)/pw
ty = (gy - py)/ph
tw = log(gw/pw) 
th = log(gh/ph)

其中(gx,gy,gw,gh)是真实框坐标，(px,py,pw,ph)是锚框坐标。这种归一化处理使得各维度的回归目标尺度一致，训练更稳定。

在PyTorch中的实现示例：

def bbox_transform(anchors, gt_boxes):
    # 计算回归目标
    px = (anchors[:,0] + anchors[:,2])/2
    py = (anchors[:,1] + anchors[:,3])/2
    pw = anchors[:,2] - anchors[:,0]
    ph = anchors[:,3] - anchors[:,1]
    
    gx = (gt_boxes[:,0] + gt_boxes[:,2])/2
    gy = (gt_boxes[:,1] + gt_boxes[:,3])/2 
    gw = gt_boxes[:,2] - gt_boxes[:,0]
    gh = gt_boxes[:,3] - gt_boxes[:,1]
    
    targets = torch.zeros_like(anchors)
    targets[:,0] = (gx - px)/pw
    targets[:,1] = (gy - py)/ph
    targets[:,2] = torch.log(gw/pw)
    targets[:,3] = torch.log(gh/ph)
    
    return targets

回归时要注意：

1. 使用Smooth L1损失比普通L2损失更抗噪声干扰
2. 只对正样本计算回归损失（负样本不需要调整位置）
3. 加入微小epsilon避免log(0)的情况

4. 非极大值抑制(NMS)：去除冗余预测的利器

当模型对同一个目标生成多个重叠预测框时，就需要NMS来去重。我记得第一次实现NMS时，因为没有处理好边界情况导致检测结果出现"闪烁"现象——同一目标在不同帧被反复保留和抑制。

标准的NMS算法流程：

1. 按置信度降序排列所有预测框
2. 选取最高置信度的框A，保留它
3. 计算A与其他框的IoU，删除IoU>阈值的框
4. 重复2-3直到处理完所有框

优化后的PyTorch实现：

def nms(boxes, scores, threshold=0.5):
    # boxes: [N,4], scores: [N]
    keep = []
    idxs = scores.argsort(descending=True)
    
    while idxs.numel() > 0:
        i = idxs[0]
        keep.append(i)
        
        if idxs.numel() == 1:
            break
            
        # 计算IoU
        xx1 = boxes[idxs[1:],0].clamp(min=boxes[i,0])
        yy1 = boxes[idxs[1:],1].clamp(min=boxes[i,1])
        xx2 = boxes[idxs[1:],2].clamp(max=boxes[i,2]) 
        yy2 = boxes[idxs[1:],3].clamp(max=boxes[i,3])
        
        inter = (xx2-xx1).clamp(min=0) * (yy2-yy1).clamp(min=0)
        iou = inter / (area[i] + area[idxs[1:]] - inter)
        
        # 保留IoU小于阈值的框
        idxs = idxs[1:][iou <= threshold]
    
    return torch.tensor(keep)

实际应用中我发现几个优化点：

1. 使用矩阵运算加速IoU计算（上面代码用了逐元素计算便于理解）
2. 对不同类别分别进行NMS
3. 动态调整阈值——小目标用较低阈值(0.3)，大目标用较高阈值(0.7)

5. 多尺度检测：应对不同大小目标的挑战

在COCO数据集中，大约41%的实例面积小于32×32像素，这类小目标检测一直是难点。通过多尺度锚框设计可以显著提升检测效果。

锚框设计经验 ：

• 小尺度特征图（stride=32）：适合检测大物体，设置较大的锚框尺寸(256,512)
• 中尺度特征图（stride=16）：中等尺寸锚框(128,256)
• 大尺度特征图（stride=8）：小尺寸锚框(32,64)

在SSD算法中，锚框尺寸的计算公式为：

scale_k = s_min + (s_max - s_min)*(k-1)/(m-1)
aspect_ratios = [1, 2, 0.5, 3, 1/3]

其中k表示特征图层级，m是总层数。

我在实际项目中还发现：

1. 增加1:3和3:1的宽高比有助于检测极端比例目标（如长条形交通标志）
2. 在浅层特征图增加锚框密度可以提升小目标召回率
3. 不同数据集需要调整基础锚框尺寸（人脸检测和人检测的最佳尺寸就不同）

6. 完整技术闭环：从理论到实践的思考

将上述技术串联起来，一个完整的目标检测流程如下：

1. 特征提取 ：通过CNN backbone获取多尺度特征图
2. 锚框生成 ：在每个特征图位置预设不同比例大小的锚框
3. 预测调整 ：对每个锚框预测类别分数和位置偏移量
4. 后处理 ：应用NMS去除冗余框，得到最终检测结果

在部署到移动端时，我还做了这些优化：

• 量化模型减小体积
• 使用更轻量的NMS实现
• 对视频流应用跨帧NMS减少抖动

记得在一个人流统计项目中，通过调整NMS阈值和锚框尺寸，使小目标检测准确率从68%提升到了83%。这让我深刻体会到，理解每个组件的工作原理并进行针对性调参，往往比盲目尝试新模型更有效。