YOLO目標檢測輸出的坐標信息代表什麼意思呢？
最近在使用YOLO，請問它輸出的檢測框坐標信息，（x,y,w,h）這些代表什麼意思呢？單位是像素嗎？想問一下和相機的解析度有關係嗎？
Box的坐標位置，一般兩種形式，一種是左上角和右下角坐標點，或者就是一個點加寬高，其他參數有置信度
跟相機解析度沒關係，圖片大小都沒關係，因為送進網路的圖片都會縮放到一定的尺寸，比如416,416。
你所說的坐標其實是網路最後的輸出信息，這個信息如何映射回原圖呢？我想這纔是你關注的問題。
首先yolo系列最後輸出的是一系列特徵圖，舉個例子yolo3的其中一張特徵圖尺寸為8x8x255，那麼這個特徵圖的長寬是8x8，這個網格信息首先就給了初始的位置信息。比如第一行第一列的網格，假設原圖是800x800的尺寸，那就代表了這個網格負責判斷在原圖(0,0),(100,100)的rect 的附近物體的檢測，但是這樣還是無法完全映射回原圖，只能說明該網格的物體映射回去的大概位置，那如何得到精確的位置信息呢？這時候就要用到你提到的x,y,w,h，首先每個網格都有預設的3個錨框(anchor)，每個錨框都有固定的尺寸，這個尺寸是通過聚合訓練級(kmeans)得出來的。然後你提到的x,y,w,h就是基於這個預設的錨框的坐標和尺寸做的一個偏移。通過這個偏移量結合網格的坐標得知預測物體的坐標，而w,h結合這個錨框預設的尺寸和原圖的尺寸得到最終的物體的尺寸，這就是這個網格的3個錨框中的其中一個錨框（預測框）的最終結果。這個結果結合原圖尺寸就是真實的坐標信息。
關於偏移量的計算（解碼過程）
拿其中bx舉例，bx是網路輸出的bbox的其中一維坐標信息，然後σ就是sigmoid激活函數，使網路的輸出取到[0,1]之間，這個值是當前物體的中心坐標基於網格的坐標的一個偏移（注意，最多就是1，也就是說不可能超出該網格的位置），cx為該網格的坐標，比如網格的x坐標是3,網路預測的cx是0.5,那麼該預測框解碼出的物體的中心坐標就是3.5。但這個值是基於特徵圖的坐標，還需要根據原圖尺寸的採樣率進行映射。比如3.5的輸出坐標，8x8的特徵圖，800x800的原圖，那麼：
順便貼一下yolo關於這部分的源碼：
紅框是對x,y的輸出的sigmoid激活，注意只對x和y的輸出做了sigmoid激活
下面的紅框區域就是把x,y,w,h變成基於特徵圖的真實歸一化信息，後續只要根據原圖尺寸映射回去即可
然後回過頭來看yolo的特徵圖8x8x255，我們可以通過計算數值來加強理解。我們關注通道維255這個數字，怎麼得出來的，yolo是基於coco的數據集做的開發，coco有80類，也就說需要有80維的分類置信度，然後還需要x,y,w,h這4維位置信息，然後還需要一維的是否存在目標置信度，這樣一個錨框一共有80+4+1=85維。然後一共有3個錨框，也就是說一個網格一共需要255維來表示他的3個錨框的真實信息，這就是上面8x8x255中的通道維，而這個8x8一共有64個網格，也就是涵蓋了整個圖片中的所有區域。至於不同尺度的物體的問題怎麼解決呢？首先8x8的特徵圖的3個錨框就可以預測3種尺寸的物體了，然後還有另外2個不同尺寸的特徵圖，又能繼續預測6個不同尺寸的物體。
所以yolo這種onestage的模型其實就是很暴力的提前把所有可能出現的情況都考慮進去了，然後通過梯度下降來擬合數據集，實現對特定數據集的預測。
碼字不易啊，看完有幫助的話，麻煩動動手幫忙點贊關注一波唄
代表了模型檢測出的目標框的中心點（x，y），w和h分別代表了目標框的寬高
你是問模型的直接輸出還是處理後的輸出？不同的場景有不同的處理方法，我說下模型的直接輸出。
x,y是yolo輸出層網格化後左上角的坐標（這是固定的），再加上目標位置相對於左上角的偏離（這是模型預測給出的結果），單位是x像素（三層yolo層x分別為8，16，32）
w,h是目標框的大小，單位是像素
一般情況表示為(x,y,w,h)，即預測框中心坐標的偏移量和長寬的偏移量，最終預測框的輸出值還需要結合自動生成的中心坐標和長寬。
推薦閱讀：
