边界框（bounding box）
/ BOWND-ing boks /
边界框是说明「物体在图像里何处」的最简单方式：一个正立的矩形，画得刚好大到能把它装进去。它由四个数字来描述——通常是一个角的位置外加宽和高，或者一对对角的坐标。当一个目标检测器宣布「这里有一辆车」时，那个「这里」就是一个边界框。它是计算机视觉里定位的基本单元，故意做得粗糙，以便预测、存储和推理起来都很廉价。
正因为框如此简单，它有一种干净利落的打分方式。要检查一个预测出的框好不好，我们用「交并比」（Intersection over Union，IoU）把它和人工画出的正确框相比：两个框重叠的面积，除以它们共同覆盖的总面积。完美匹配时IoU为1，毫无重叠时为0；一次检测通常要超过某个阈值（比如0.5）才算正确。整个领域，就是用这一个数字来衡量检测的准确率。
需要内化的，是「框」舍弃了什么。一个正立的矩形无法贴合倾斜的、圆的或铺展开的形状，所以它总会吞进一些背景——围住一辆自行车的框，大半是车架与车轮之间的空气。它无法表示精确的轮廓，无法分开同一个矩形内相互重叠的两个物体，也无法捕捉朝向。当这些事情要紧时，你就得去取更丰富的输出：旋转框、关键点，或来自分割的像素掩膜。边界框之所以长存，不是因为它准确，而是因为它是对「哪里」的一个快速、够用的把手。
一个检测器为一只狗预测出一个框，角点在(100, 60)，宽80、高50。人工标注的正确框在(105, 65)，宽75、高48。两者重叠得很厉害，IoU大约为0.82——远高于通常的0.5阈值，所以这算作一次正确的检测。
四个数字定位物体；与正确框比较的IoU，把「足够接近」变成一个精确的分数。
边界框永远是一个与坐标轴对齐的矩形，所以在非矩形物体周围它必然框进背景，也无法分开相互重叠的东西、或表示朝向。它是对位置的一个有意做得粗糙的把手——要精确的形状，你需要的是分割掩膜，而不是框。