Newsio+ — C4 找到物體

SEC.01 / INTERSECTION OVER UNION

一個框準不準：重疊面積 ÷ 合起來的面積

模型畫的框不可能和人工標註（ground truth）分毫不差，所以要一個「差多少」的分數。最常用的是 IoU（Intersection over Union，也叫 Jaccard index）：兩個框重疊的面積除以兩個框合起來的面積。完全重合是 1，完全沒碰到是 0。偵測比賽通常規定 IoU ≥ 0.5 才算「找到」。下面灰色是標註的框，你用滑鼠或手指拖出自己的框。

PROBE A / 畫一個框，算 IoU動手做 // 在空白處拖曳畫框，在框內拖曳移動

交集（橘色塗滿的部分）—

聯集（兩個框合起來）—

IoU = 交集 ÷ 聯集—

IoU ≥ 0.50 算找到—

GIoU　／　DIoU（拿來當 loss 用的改良版）—

COCO 的 10 個門檻（0.50、0.55 … 0.95）過了幾個—

「算找到」的門檻 0.50 顯示包住兩框的最小框 C 和中心距離

試試看。（1）按「完全重合」再按「放大一圈」：中心完全對，只是面積大了 1.5 倍，IoU 就只剩 0.67，掉得比你想的快。（2）把門檻拉到 0.75 或 0.9，同一個框從「找到」變成「沒找到」：門檻越高，對位置越挑剔。（3）按「完全不重疊」：IoU 是 0，不管差 10 像素還是 300 像素都是 0，這就是 IoU 拿來當訓練目標時的毛病；GIoU 和 DIoU 還會繼續變，告訴模型往哪邊移。畫面大小與框的位置都是示意。

IoU 同時罰「多框」和「少框」框太大，聯集變大；框太小，交集變小。兩種錯都會把分數拉低。

「找到」是一個門檻同一個框，門檻 0.5 算對、0.75 算錯。所以看偵測成績一定要問：IoU 門檻是多少。

沒重疊時 IoU 不會說話所有不重疊的框 IoU 都是 0，沒有梯度可以學。GIoU、DIoU、CIoU 就是為了補這個洞。

細看 · 任務家族、IoU 與 Dice、分類加定位、姿態估計、GIoU / DIoU / CIoU

任務家族：講義從「只回答是什麼」排到「每個像素都要回答」。分類：整張圖一個標籤。分類 + 定位：一個物體，加一個框。物體偵測：多個物體，每個一個類別加一個框。語義分割（semantic）：每個像素一個類別，但不分「哪一隻」，兩隻狗是同一片「狗」。實例分割（instance）：每個物體各自一個遮罩，兩隻狗分得開。全景分割（panoptic）：兩者合起來，可數的東西（thing：人、車）要分實例，不可數的區域（stuff：天空、道路）只要類別，每個像素剛好一個標籤。分割在 C5。

IoU 與 Dice：用像素的對錯來寫，IoU = TP / (TP + FP + FN)，Dice = 2TP / (2TP + FP + FN)。Dice 分母裡 TP 算兩次，所以對錯誤比較寬容，數值通常 ≥ IoU；它在二分類時等於 F1。講義的建議：一般比賽用 IoU；小目標或極度不平衡（例如前景只佔 0.1%，醫療影像的腫瘤）用 Dice。

分類 + 定位：如果圖裡只有一個物體，最簡單的做法是一個 CNN（通常先在 ImageNet 預訓練）接兩個頭：一個頭輸出類別分數（softmax loss），一個頭直接回歸 4 個數字 (x, y, w, h)（L2 loss），兩個 loss 加起來一起訓練。問題在於每張圖的物體數不一樣：一隻貓要 4 個數字，三隻動物要 12 個，網路的輸出長度卻是固定的。這就是後面所有方法要繞過的根本困難。

人體姿態估計：同一個「回歸座標」的想法推廣到關節。講義引用 DeepPose（CVPR 2014）：把人體表示成 14 個關節點，網路直接回歸 14 組 (x, y)，每個點用 L2 loss。

拿 IoU 當 loss：早期框回歸用 L2，但 L2 小不代表 IoU 高。改用 IoU loss = 1 − IoU 之後，不重疊時 loss 恆為 1、沒有梯度。GIoU（CVPR 2019）多減一項 (C − A∪B) / C，C 是包住兩框的最小框，不重疊時也會隨距離變；但一個框被另一個整個包住時，C 就是大框本身，GIoU 退回 IoU。DIoU（AAAI 2020）改減「中心點距離² ÷ C 的對角線²」，直接把中心拉近，講義引用的實驗裡 GIoU 400 次迭代還沒收斂，DIoU 120 次就收斂。CIoU 再加一項長寬比一致性。講義的總結：好的框 loss 要看三件事，重疊面積、中心距離、長寬比。講義筆記也提到把 YOLOv3 的 loss 換成 CIoU，AP 約提升 6%、AP75 約提升 10%。

IoU = |A∩B| / |A∪B|　GIoU = IoU − |C − A∪B| / |C|　DIoU = IoU − ρ²(b, b^gt) / c²　（ρ 是兩框中心距離，c 是 C 的對角線長）

SEC.02 / NON-MAXIMUM SUPPRESSION

同一隻狗被框了八次：NMS 留一個

偵測器會在物體附近吐出很多個差不多的框，每個都有一個信心分數。人只要一個。NMS（non-maximum suppression，非極大值抑制）是一個很簡單的規則：分數最高的留下，和它重疊太多（IoU 超過門檻）的全部刪掉，再從剩下的裡面挑最高的，重複到沒有框為止。下面一步一步跑。

PROBE B / 一步一步跑 NMS動手做 // 按「下一步」，拉 IoU 門檻，換成 soft-NMS

進度—

這一步做了什麼—

跑完後：真實物體被找到幾個（IoU ≥ 0.5）—

跑完後：多出來的重複框—

—

場景方法

IoU 門檻 Nₜ 0.50 最後的分數門檻 0.30

三件事值得試。（1）一個物體時跑完：八個框只剩一個。把門檻拉到 0.85，重疊得不夠多的框逃過刪除，留下重複框，precision 變差。（2）換成「兩個靠很近的物體」，門檻拉到 0.35 以下：右邊那個物體最好的框和左邊的框 IoU 約 0.4，被當成重複刪掉，一個真的物體不見了。門檻太低誤刪，太高留重複，沒有一個門檻同時適合所有場景。（3）換成 soft-NMS：不直接刪，只把分數打折，重疊越多折越多（高斯版對每個框都打折，不看 N_t）；靠很近的第二個物體分數被壓低，但通常還在分數門檻之上，就活下來了。分數與位置都是示意。

NMS 是規則，不是學出來的它接在網路後面，不參與訓練。網路吐出重複框，NMS 負責收拾。

一個門檻管所有場景人群、車陣、疊在一起的東西，正好是「重疊多但不是重複」的情況，硬門檻最容易出錯。

soft-NMS 把「刪」改成「打折」講義引用的論文標題是「一行程式碼改進物體偵測」：不用重新訓練，平均提升約 1%。

細看 · NMS 演算法、soft-NMS、DIoU-NMS、feature NMS

講義的例子：6 個框，分數 0.95、0.9、0.9、0.8、0.7、0.7。取 0.95 當第一個物體；剩下 5 個裡和它 IoU 大於 0.6（可以另外設）的刪掉，留下 0.9、0.8、0.7；再取 0.9 當第二個物體，重複到沒有框。最後選出 0.95 和 0.9 兩個。

NMS + score threshold：R-CNN 和 YOLO 的最後一步都是「先丟掉分數太低的，再跑 NMS」。上面實驗台的兩個滑桿就是這兩個門檻。

soft-NMS：講義的例子是兩匹馬，紅框 0.95、綠框 0.8，綠框和紅框重疊很多。傳統 NMS 直接把 0.8 變成 0；soft-NMS 問的是：與其刪掉，給它 0.4 是不是比較好？M 是目前分數最高的框，b_i 和 M 的 IoU 越大，b_i 的分數 s_i 降得越多。兩種寫法：

線性：s_i ← s_i(1 − IoU(M, b_i))　若 IoU ≥ N_t　　高斯：s_i ← s_i · e^{−IoU² / σ}　（線性版在 N_t 有一個突然的跳躍，高斯版是連續的；實驗台的 σ 設 0.5）

講義引用的結果：soft-NMS 在高 IoU 門檻評估時比傳統 NMS 好約 2%，而且同一組參數在不同評估門檻下都好；整體約 1% 的提升，不增加訓練和計算成本。

DIoU-NMS：YOLOv4 用的版本，把 NMS 裡的 IoU 換成 DIoU，多考慮兩框中心的距離。中心離很遠的兩個框，即使重疊多，也比較可能是兩個不同的物體，例如講義裡重疊在一起的機車。為什麼不用 CIoU-NMS？CIoU 的長寬比項需要 ground truth，推論時沒有。

Feature NMS：重疊嚴重、IoU 落在「不確定」區間時，再比較兩個框的特徵向量：特徵很像就是同一個物體，不像就兩個都留。

NMS 的根本問題：它是手工規則，不能端到端訓練，門檻要人調。SEC.04 的 DETR 直接把它拿掉。

SEC.03 / PRECISION, RECALL & mAP

整個偵測器的總分：抓得準，也要抓得齊

每個框都判了「找到／沒找到」之後，要替整個偵測器打總分。兩個問題要分開問。Precision：我說「這裡有東西」的框裡，有幾成是對的？Recall：所有真的物體裡，我抓到幾成？兩個數字由一個信心門檻控制：門檻調高，只交出很有把握的框，precision 高但漏掉很多；門檻調低，什麼都交，recall 高但很多是錯的。把所有門檻都試一遍，畫成一條曲線，曲線下的面積就是 AP。

PROBE C / 拉門檻，看 PR 曲線動手做 // 拉信心門檻，切換模型與內插

門檻以上：對的 TP　／　錯的 FP　／　漏掉的 FN—

Precision = TP / (TP + FP)—

Recall = TP / (TP + FN)，真實物體共 12 個—

F1 = 2PR / (P + R)—

AP（橘色面積，和門檻無關）—

信心門檻 0.50 模型內插 precision（每一點取右邊的最大值）

上排是 20 個偵測，依分數由高到低排好，綠色是對的（和某個真實物體 IoU ≥ 0.5，而且那個物體還沒被別人配走），橘色是錯的。門檻往左拉，交出去的框變多，曲線上的點往右下走。注意兩件事。（1）20 個偵測裡只有 10 個對，真實物體有 12 個，所以 recall 最多到 0.83，曲線到不了右邊。（2）換成「排序亂的模型」：對的框數量一樣，只是分數排得亂，AP 就掉很多。AP 量的不是「有沒有找到」，是「把對的排在前面」的能力。這 20 筆資料是示意。

precision 和 recall 拉鋸全部拒絕：沒有錯，但什麼都沒抓到。全部接受：一個都不漏，但錯一大堆。理想是右上角。

AP 把整條曲線壓成一個數字不用先選門檻。比較兩個模型時，不會因為一個門檻選得剛好而佔便宜。

mAP = 每一類的 AP 再平均狗的 AP、人的 AP、車的 AP……平均起來。COCO 還要在 10 個 IoU 門檻上各算一次再平均。

細看 · 定義、講義的迷你例子、mAP@[.5:.95]、怎麼選門檻

TP / FP / FN：TP 是框對了（IoU 達到門檻、類別也對）。FP 是框錯了，包含同一個物體的重複框：一個物體只能配一個框，第二個框就算位置完美也算 FP，所以 SEC.02 的 NMS 會直接影響分數。FN 是真實物體沒有任何框配上。偵測裡沒有 TN：「背景沒有被框」的數量是無限多，不算。

講義的迷你例子：100 筆資料，真的正類 20 筆。門檻 0.9 時預測 10 個、9 個對：precision 9/10 = 0.90，recall 9/20 = 0.45。門檻 0.3 時預測 30 個、18 個對：precision 18/30 = 0.60，recall 18/20 = 0.90。提高 recall 往往會掉 precision，反之亦然。

AP：PR 曲線下的面積。常見的算法先做「內插」：每個 recall 位置的 precision，換成它右邊（recall 更高處）最大的 precision，讓曲線變成單調往下的階梯，再算面積。實驗台的勾選框就是這一步。

mAP@[.5:.95]：PASCAL VOC 傳統上報 IoU 0.5 的 mAP（寫成 AP50）。COCO 主要指標是 IoU 從 0.50 到 0.95、每 0.05 一個門檻，10 個門檻各算一次 mAP 再平均，對框的精準度更挑剔。講義引用 YOLOv4 在 COCO 上 43.5% AP（65.7% AP50）：同一個模型，門檻不同，數字差了 20 多點。

F1 與 F_β：precision 和 recall 的調和平均。想要平衡兩者，就在驗證集上掃門檻，選 F1 最大的那個。醫療篩檢、瑕疵檢測寧願多抓（高 recall），自動通知使用者寧願少誤報（高 precision）。在測試集上選門檻會洩漏。

為什麼不用 accuracy：類別極度不平衡時 accuracy 幾乎沒意義；PR 曲線在不平衡時也比 ROC 曲線誠實，因為 ROC 對負類數量不敏感。

SEC.04 / TWO-STAGE, ONE-STAGE, SET PREDICTION

差在第一步：先挑候選，還是一次看完

偵測的難處是「框的數量每張圖不同」。two-stage 的做法是分兩步：第一步先挑出約兩千個「可能有東西」的候選區域（region proposal），第二步才對每個候選做分類和框的微調（R-CNN 系列）。one-stage 拿掉第一步：把圖切成格子，每一格直接輸出固定數量的框和分數，整張圖只跑一次網路（YOLO、SSD、RetinaNet）。兩者都會吐出重複框，都需要 NMS。DETR 則改了問題本身：直接輸出一組框，訓練時強制一個物體只配一個輸出。

PROBE D / YOLO 的格子與 focal loss動手做 // 拉 S，點一格

選到的格子—

這格負責的物體（中心落在這格裡的）

—

這格的 B = 2 個框 (x, y, w, h, confidence)—

類別機率 Pr(class | object)

—

輸出張量 S × S × (5B + C)，C = 4 類—

被擠掉的物體（和別人搶同一格）—

格子數 S 5 × 5

容易的樣本 p_t = 0.9：CE → focal loss—

困難的樣本 p_t = 0.2：CE → focal loss—

背景框佔總 loss 的比例—

γ 2.0 容易的背景框數量 10,000

上半：格子。每個物體只由「中心點落在裡面的那一格」負責，橘點是中心。S = 3 或 4 時，左上兩隻鳥的中心落在同一格，一格只能預測一組類別，所以有一隻被擠掉；S 拉到 5 以上才分得開。這就是講義說 YOLO v1 抓不好成群小東西的原因（9 個聖誕老人只抓到 5 個）。confidence 是預測框和真實框的 IoU，在這裡真的用 IoU 算；框的誤差是示意。下半：focal loss。γ = 0 就是 cross-entropy（虛線）。γ 拉大，p_t 接近 1 的容易樣本 loss 被壓到幾乎 0，困難樣本的 loss 只少一點。一萬個容易的背景框，在 cross-entropy 下佔了總 loss 的九成以上；γ = 2 時降到兩成以下。困難樣本固定為 10 個 p_t = 0.3 的物體，數字為示意。

PROBE E / DETR 的一對一配對動手做 // 拉 λ，切換成 anchor 式

配對成本 = −p(正確類別) + λ · (1 − GIoU)

配對結果—

被教成「沒有物體 ∅」的 query—

推論時需要 NMS 嗎—

框的權重 λ 2.00 改成 anchor 式：IoU ≥ 0.5 的都算正樣本

DETR 有固定數量的 query（論文裡是 100 個，這裡 6 個），每個 query 輸出一個類別（包含「沒有物體 ∅」）和一個框。訓練時，在所有「一個真實物體配一個 query」的方法裡，挑總成本最低的一種（Hungarian matching；這裡物體少，直接把 30 種配法全算一遍）。配上的 query 學那個物體，其他全部學「沒有物體」，連那個框得很好的重複框也一樣。所以模型自己學會不吐重複框，推論時不用 NMS。λ 拉到 0，只看類別機率：貓會配給分數最高但框比較歪的 Q2。打開 anchor 式，同一隻貓有兩個正樣本，推論時就得靠 NMS 去重複。框與機率為示意。

two-stage：先縮小範圍proposal 先把幾萬個可能位置縮到一兩千個，第二步只認真看這些。準，但慢、流程複雜。

one-stage：每一格都是候選一次網路就輸出全部框，很快；代價是幾萬個候選裡絕大多數是背景，訓練被容易的背景淹沒。focal loss 解的就是這個。

DETR：把重複寫進 lossNMS 和 anchor 都是人手設計的規則。DETR 用一對一配對讓網路自己學會「一個物體一個框」。

細看 · Sliding window、R-CNN 三代、YOLO v1 到 v4、class imbalance 與 focal loss、DETR

Sliding window：把偵測當分類，拿各種大小的窗口滑過整張圖，每個窗口問 CNN「是狗、是貓、還是背景」。問題是位置和尺度的組合太多，每一個都要跑一次 CNN，算不完。

Region proposals：先用便宜的方法找「看起來像一團東西」的區域。Selective search 先把圖切成很多小區塊，再依顏色、紋理、大小、是否被包住等多種相似度逐層合併（hierarchical grouping），合併過程中每一層的區塊都是候選；在 CPU 上幾秒鐘就能給出約 1000 個候選。講義解釋為什麼要多種策略：兩隻貓要靠顏色分，變色龍要靠紋理分，車輪要靠「被車身包住」才算同一個物體。

Bounding box regression：候選框通常有點歪，用回歸預測一組修正量，把框推到更準的位置。可以用在「修正候選框」，也可以直接拿來做整個偵測（YOLO）。

R-CNN（CVPR 2014）：selective search 給約 2000 個候選 → 每個縮放（warp）成 227×227 → 各自送進微調過的 AlexNet 抽特徵 → SVM 分類 + 框回歸。問題：（1）推論慢，一張圖要跑 2000 次 CNN；（2）訓練目標是拼湊的：CNN 用 softmax、SVM 用 hinge loss、框回歸用 least squares，三個分開訓練，CNN 的特徵不會因為 SVM 而更新；（3）訓練要 84 小時、佔大量硬碟。

Fast R-CNN：整張圖只跑一次 CNN，得到 conv5 特徵圖，再把每個候選框投影到特徵圖上，用 RoI pooling 切成固定格數（例如 2×2）各取最大值，變成同樣大小，餵給全連接層同時輸出類別（log loss）和框（smooth L1），一起訓練。RoI pooling 是 SPP（spatial pyramid pooling）只用一層金字塔的特例。剩下的瓶頸：候選框還是由網路外的 selective search 產生，變成最慢的一步。

Faster R-CNN（NIPS 2015）：讓 CNN 自己提候選。RPN（region proposal network）在共用的特徵圖上滑一個 3×3 窗口，每個位置放 k = 9 個 anchor（3 種大小 × 3 種長寬比的預設框），對每個 anchor 輸出「是不是物體」2 個分數和 4 個修正量。整個網路同時訓練 4 個 loss：RPN 分類、RPN 框、最後的類別、最後的框（原論文用 4 步交替訓練）。anchor 有不同大小，就同時處理了多尺度。

YOLO v1（CVPR 2016）：把偵測當成一個回歸問題。圖縮到 448×448，切成 S×S 格，每格預測 B 個框（各 5 個數：x, y, w, h, confidence）和 C 個條件類別機率，輸出 S×S×(5B + C)；PASCAL VOC 的 S = 7、B = 2、C = 20，就是 7×7×30。confidence 的目標值是 Pr(Object) × IoU；推論時類別機率乘上 confidence 得到每個框每一類的分數，再做 score threshold 和 NMS。訓練 loss 是 sum-squared error，但有三個調整：只在格子裡真的有物體時才罰類別；只罰「負責」的那個框（和真實框 IoU 最高的）；有物體的座標誤差乘 λ_coord = 5，沒物體的 confidence 誤差乘 λ_noobj = 0.5，不然大量空格子的梯度會壓過一切；寬高取平方根，讓小框的誤差更有份量。速度 45 fps，精簡版 150 fps。講義引用的錯誤分析：YOLO 把背景誤判成物體的比例 4.75%，Fast R-CNN 是 13.6%（一次看整張圖，有全局資訊）；但定位錯誤佔 19.0%，Fast R-CNN 只有 8.6%。

YOLO v2：改預測相對於 anchor 的偏移量，中心點用 sigmoid 限制在本格之內，訓練更穩定，mAP 提升約 5%；格子從 7×7 改成 13×13，每格 5 個 anchor（大小用 k-means 從資料集統計出來），每個 anchor 各自有類別。講義的數字：加 anchor 後 mAP 從 69.5 小降到 69.2，recall 卻從 81% 升到 88%；整體比 v1 進步 15.2%。

YOLO v3：檢測頭分成三個尺度，13×13、26×26、52×52（32、16、8 倍下採樣），每個位置 3 個 anchor × (4 + 1 + 80 類)。下採樣多的感受野大，負責大物體；下採樣少的負責小物體。backbone 換成用 residual 結構（3×3 與 1×1 卷積加 shortcut）疊深的 Darknet-53。

YOLO v4：架構和 v3 相同，各部分換成近年有效的技巧。Mosaic：四張圖隨機縮放、裁切、拼成一張，增加小目標（COCO 裡小目標佔 41.4%，卻只出現在 52.3% 的圖裡），也讓單張 GPU 不需要大 batch。CSP（cross stage partial）backbone CSPDarknet53、DropBlock 正則化、Mish activation、SPP + PAN neck。框 loss 用 CIoU，NMS 用 DIoU-NMS。COCO 43.5% AP、65.7% AP50，Tesla V100 上約 65 FPS。

Class imbalance：講義問「簡單的 one-stage 能不能和 two-stage 一樣準？」RetinaNet（2017）的假設是：輸的原因不是位置或特徵，而是類別不平衡。one-stage 每張圖要評估 10⁴ 到 10⁵ 個候選（SSD），幾乎都是容易分的背景；每個背景的 loss 很小，但數量太多，總和與梯度被它們主導。two-stage 靠兩道關卡擋掉：proposal 先把候選縮到 1 到 2 千個；分類時再固定前景與背景 1:3 的比例取樣，或做 online hard example mining（OHEM）。

CE(p_t) = −log p_t　　FL(p_t) = −(1 − p_t)^γ log p_t　（γ = 0 時就是 CE；balanced 版本再乘一個類別權重 α）

Focal loss：直接依「多容易」把 loss 打折，讓訓練偏向有意義的困難樣本。講義筆記引用的實驗：focal loss 比類別加權、OHEM、OHEM + 1:3 取樣都好，COCO AP 提升約 3 點；實作上把前景機率初始化成 0.01，避免一開始大量背景被判成前景讓 loss 爆掉。

one-stage vs two-stage 總結：two-stage 準、慢、流程複雜、各元件難一起最佳化；one-stage 快、簡單、端到端，早期輸在定位和不平衡，focal loss 與 v2 到 v4 的改進後差距已大幅縮小。兩者都還是 anchor + NMS 的框架。

DETR：把偵測重新定義成集合預測（set prediction）。CNN backbone 抽特徵 → Transformer encoder-decoder → 固定數量的 query 各輸出一個類別（含「沒有物體」）加一個框。訓練時用二分圖匹配（bipartite matching，以 Hungarian 演算法求解）把預測和真實標註一對一配對，再算 loss。好處：不用設計 anchor 規則，也不用 NMS，因為「一個物體只對應一個 query」已經寫進訓練目標。代價：收斂慢、要更多 epoch，初期小物體表現較弱。後續：Deformable DETR 讓每個 query 只看少數取樣點，加快收斂、改善小物體；FCOS 走 anchor-free 的逐像素回歸，用 centerness 分支壓低品質差的框；GLIP、Grounding DINO 用文字描述取代固定類別表（open-vocabulary detection）。講義的結論：架構之間的競爭往往不是誰準確率高，而是誰用更少的人工設計假設達到同樣效果。

SEC.05 / MISCONCEPTIONS

常見誤解

這個模組最常被講錯的幾句話。

~~mAP 很高，代表每個物體都找到了。~~mAP 是各類別 PR 曲線面積的平均，量的是「排序」好不好。recall 到不了 1、某一類很差、小物體全漏，都可能被其他類別平均掉。還要看 IoU 門檻是 0.5 還是 0.5 到 0.95。

~~one-stage 一定比 two-stage 不準。~~早期是這樣，原因主要是類別不平衡，不是架構先天不行。focal loss 之後的 RetinaNet，和 YOLO v4 這類改進，在速度與準確率的取捨上已經很有競爭力。

~~NMS 的 IoU 門檻越高越好，比較不會誤刪。~~門檻高會留下重複框，FP 變多、precision 下降；門檻低會把靠很近的真物體刪掉。沒有一個門檻適合所有場景，所以才有 soft-NMS、DIoU-NMS。

~~偵測一定要 anchor。~~anchor 是 Faster R-CNN 到 YOLO v2 以後的設計選擇，不是必要條件。YOLO v1 沒有 anchor；FCOS 逐像素回歸；DETR 用 set prediction，同時拿掉 anchor 和 NMS。

上一個 · C3又小又快下一個 · C5每個像素貼標籤