使用rknn进行yoloV8部署（C++）

### YOLO 和 KNN 中多个边界框处理方法 #### YOLO 的边界框处理机制 YOLO 将目标检测视为回归问题，通过单次前向传播完成图像中的对象类别和位置预测。对于每个输入图像，先将其大小调整为448×448像素，并划分成7×7的网格单元格结构[^1]。 每个网格单元负责预测两个边界框及其对应的置信度分数。这些边界框不仅包含了物体的位置信息（即坐标），还关联着该区域内存在特定类型的概率。当一个目标位于某个网格内时，具体由哪个网格负责取决于目标中心点所在位置；只有包含目标中心的那个网格才对该目标进行预测。 为了减少冗余并选出最优解，在最终输出之前会应用非极大值抑制（Non-Maximum Suppression, NMS）。NMS 是一种用于消除重叠过多候选区域的技术，能够帮助筛选出最有可能代表真实物体的那些边界框。 ```python def apply_nms(boxes, scores, iou_threshold=0.5): indices = cv2.dnn.NMSBoxes(boxes.tolist(), scores.tolist(), score_threshold=0.3, nms_threshold=iou_threshold) filtered_boxes = [boxes[i] for i in indices.flatten()] return filtered_boxes ``` #### KNN 不涉及边界框的概念 相比之下，K近邻 (K-Nearest Neighbors, KNN) 并不是一个专门针对计算机视觉领域设计的方法，因此其本身并不具备直接处理边界框的能力或概念。KNN 主要依赖于样本之间的距离计算来进行分类决策，适用于特征空间内的点而不是矩形区域描述的对象定位任务[^3]。 然而，在某些情况下，人们可能会尝试将基于坐标的几何形状作为额外属性加入到 KNN 模型中考虑。例如，如果已知一组训练集中含有标注好的边界框信息，则可以在测试阶段同样提供类似的表示形式给算法使用。但这并不是标准做法的一部分，而是应用场景下的变通措施。