邊界框（bounding box）
/ BOWND-ing boks /
邊界框是說明「物體在圖像裡何處」的最簡單方式：一個正立的矩形，畫得剛好大到能把它裝進去。它由四個數字來描述——通常是一個角的位置外加寬和高，或者一對對角的座標。當一個目標偵測器宣布「這裡有一輛車」時，那個「這裡」就是一個邊界框。它是電腦視覺裡定位的基本單元，故意做得粗糙，以便預測、儲存和推理起來都很廉價。
正因為框如此簡單，它有一種乾淨俐落的打分方式。要檢查一個預測出的框好不好，我們用「交並比」（Intersection over Union，IoU）把它和人工畫出的正確框相比：兩個框重疊的面積，除以它們共同覆蓋的總面積。完美匹配時IoU為1，毫無重疊時為0；一次偵測通常要超過某個閾值（比如0.5）才算正確。整個領域，就是用這一個數字來衡量偵測的準確率。
需要內化的，是「框」捨棄了什麼。一個正立的矩形無法貼合傾斜的、圓的或鋪展開的形狀，所以它總會吞進一些背景——圍住一輛腳踏車的框，大半是車架與車輪之間的空氣。它無法表示精確的輪廓，無法分開同一個矩形內相互重疊的兩個物體，也無法捕捉朝向。當這些事情要緊時，你就得去取更豐富的輸出：旋轉框、關鍵點，或來自分割的像素遮罩。邊界框之所以長存，不是因為它準確，而是因為它是對「哪裡」的一個快速、夠用的把手。
一個偵測器為一隻狗預測出一個框，角點在(100, 60)，寬80、高50。人工標註的正確框在(105, 65)，寬75、高48。兩者重疊得很厲害，IoU大約為0.82——遠高於通常的0.5閾值，所以這算作一次正確的偵測。
四個數字定位物體；與正確框比較的IoU，把「足夠接近」變成一個精確的分數。
邊界框永遠是一個與座標軸對齊的矩形，所以在非矩形物體周圍它必然框進背景，也無法分開相互重疊的東西、或表示朝向。它是對位置的一個有意做得粗糙的把手——要精確的形狀，你需要的是分割遮罩，而不是框。