Google MLKit对象检测API为何能返回图像分类模型的边界框？

MLKit的对象检测API之所以能用仅输出类别概率的图像分类模型（比如你用的efficientnet/lite3/int8）返回边界框，核心是它在你的分类模型之外，内置了一套完整的目标检测流水线，具体流程如下：

• 滑动窗口遍历+区域分类：API会在输入图像上滑动多种尺寸、比例的候选窗口（锚框），对每个窗口截取的图像区域，单独调用你的分类模型进行推理。当某个窗口内区域的目标分类概率超过设定阈值时，这个窗口就会被标记为该类别的边界框候选。
• 非极大值抑制（NMS）去重：滑动窗口会生成大量重叠的候选框，API通过NMS算法筛选出置信度最高、重叠度最低的框，剔除冗余的重复结果，确保每个目标只保留最精准的一个边界框。
• 坐标映射与预处理适配：在将窗口区域送入分类模型前，API会自动完成裁剪、缩放等预处理，让区域图像匹配模型的输入规格；推理完成后，再把窗口的相对坐标映射回原始图像的尺寸，得到最终的边界框坐标。

简单来说，你提供的分类模型只是负责"判断某块区域是什么"，而MLKit自己搞定了"在哪里找这些区域"以及"筛选最优区域"的工作，从而实现了仅用分类模型就能输出边界框的效果。

内容的提问来源于stack exchange，提问作者Azmeer Faisal