如何将Tiny YOLOv3原始输出转换为像素级bounding box坐标

你拿到的数值是模型输出的原始预测偏移量（logits），并非最终归一化后的像素坐标，没有经过YOLO官方定义的坐标解码流程是无法直接使用的，这就是你看到中心为负、宽高异常的核心原因。

背景说明 #

Tiny YOLOv3在输入尺寸为416x416时，会输出2个不同下采样倍率的特征层：

• 下采样32倍的13x13特征层，对应大尺寸目标检测
• 下采样16倍的26x26特征层，对应中小尺寸目标检测
  每个特征层的每个网格点预设3个锚框，总预测框数量为 13*13*3 + 26*26*3 = 2535，和你提到的输出维度第一维完全匹配。你拿到的输出前4个值分别是tx（中心x偏移）、ty（中心y偏移）、tw（宽偏移）、th（高偏移），都是未经过激活函数映射的原始值，取值范围为(-∞, +∞)，直接读取自然会出现负数、数值过大的问题。

坐标解码流程 #

你需要按照以下公式把原始偏移量转换为416x416尺度下的实际像素坐标：

1. 中心坐标解码
   center_x = (sigmoid(tx) + grid_x) * downsample_ratio
center_y = (sigmoid(ty) + grid_y) * downsample_ratio
   其中：

• sigmoid() 函数会把tx/ty映射到0~1区间，保证中心偏移量落在当前网格内部，不会出现负值
• grid_x/grid_y 是当前预测框所属的网格在特征层上的横、纵坐标，取值范围分别为0_{12（13x13层）、0}25（26x26层）
• downsample_ratio 是当前特征层的下采样倍率，13x13层取32，26x26层取16

2. 宽高解码
   width = exp(tw) * anchor_width
height = exp(th) * anchor_height
   其中：

• exp() 函数保证宽高取值为正
• anchor_width/anchor_height 是当前预测框对应锚框的宽高，COCO预训练权重的锚框固定为：
  • 13x13层对应锚框：[116,90], [156,198], [373,326]
  • 26x26层对应锚框：[30,61], [62,45], [59,119]

操作步骤 #

• 先把2535个预测框按顺序拆分归属：前507个（13133）属于13x13特征层，后2028个（26263）属于26x26特征层
• 对每个预测框的tx/ty执行sigmoid激活，再结合所属网格坐标、下采样倍率计算实际中心坐标
• 匹配对应锚框尺寸，结合tw/th计算实际宽高
• 计算完成后所有坐标都会落在0~416的有效图像范围内，后续再按目标置信度阈值、NMS过滤冗余框即可

内容的提问来源于stack exchange，提问作者Jonathan_S