1.交并比
（1）定义
交并比是用来衡量目标检测算法的表现的函数。定义如下：
用预测框和真实框的面积的交集除以预测框和真实框的面积的并集，得到的结果本次算法预测的交并比。研究函数可以发现，交并比的范围为0,1（1说明预测框与真实框重叠，0说明完全不重合），其值越大，说明算法表现越优（定位准）。
（2）阈值
关于上图，预测框是网络给出的紫框，真实框是红框，那目标检测算法给出结果是优还是劣？通过计算交并比，只能得到一个数字说明重合的程度，因此可以给出阈值，如果超过这个阈值，就认为算法表现好，如果小于这个阈值，就认为算法表现差。一般初始阈值设为0.5，如果希望严格一点，就可以设置为超过0.5的值，比如0.6、0.7等等。loU越高，边界框越精确。
2.非极大值抑制
假设我们需要在下面图片里检测汽车，将图片划分为19×19网格，理论上车只有一个中点，所以它应该只被分配到一个格子里。实际上，可能1、2、3、4、5、6编号的格子都认为自己的区域有车，出现了多个定位，而图片中只有两辆车，应该只有两个定位，因此可以使用非极大值抑制算法，将汽车分类概率最高的格子保留，同一辆汽车的其他低分类概率的格子的定位删除。这也是非极大值抑制要做的事情。
非极大值抑制需要用到交并比LOU，因此假设交并比阈值为0.5，而分类概率阈值设为0.6（低于0.6的不认为是汽车分类），非极大值抑制算法步骤：
Step1：删除分类概率pc小于等于0.6的定位边框。
Step2：选择当前剩余边框中pc最大的概率值作为算法的输出，即分类概率。
Step3：计算和Step2中选择的最大概率值边框重叠的边框的交并比，并删除交并比大于等于0.5的定位边框（因为这些边框和最大概率的边框重叠的太多，很有可能表示同一个对象的定位）。
Step4：重复循环Step2-Step3，直到不再剩余要被删除的边框。
以上图为例，首先去除小于0.6的边框后剩余的边框均用蓝色表示，选择最大的概率的边框0.9，高亮该边框，计算与该边框重叠的边框0.6和0.7，发现交并比均大于0.5，因此需要删去，这里选择较暗的蓝色表示抑制。
接着还存在没有被删去的边框，即左边黑色轿车附近，选择概率最大的0.8，抑制交并比大于0.5的概率0.7表示的边框，即上图所示的结果。于是最终检测出两个汽车对象，即高亮框的范围。
非极大值意味着只输出概率最大的分类结果，但抑制很接近而不是最大的其他预测结果，所以这方法叫做非极大值抑制。
注意：如果同时检测多个对象，比如说行人、汽车、摩托，那么输出向量就会有三个额外的分量（c1、c2和c3）。正确的做法是独立进行三次非极大值抑制，对每个输出类别都做一次，因此实际上计算的边框的概率应该是pc乘c1、c2或c3。