我在一系列视频帧上运行应用编程接口来跟踪场景中的对象，并为每个对象提取边界框坐标，以计算每个边界框的中心。但是， ymin和ymax坐标似乎有偏移。

场景是一个人在视野中行走，框架的底部与人的脚相匹配（这将推断ymin的值非常小，而ymax值不会扩展到框架的停止。然而，API给出了以下标准化框坐标[452.26962089538574, 197.93473720550537, 1073.7505388259888, 639.3438720703125]。绝对坐标为[0.41876816749572754, 0.10309100896120071, 0.9942134618759155, 0.3329916000366211]供参考，视频为1920 x 1080。

放入MATLABs视频标签应用程序的同一帧（翻译成[ymin-xmin-ymax-xmax]）返回[8.396575927734375，57.50376892089844722.7988586425781431.516952514648444]。我知道它们不会完全匹配，因为我已经在框中手动绘制了地面真实值（对于x坐标来说尤其如此），但是ymin和ymax应该非常接近，并且这些结果看起来更加真实。

以前有人见过这个吗？当API运行推断时，边界框被正确地绘制到图像上，所以我对发生的事情有点不知所措。因为我直接从box=detection\u图中获取数据。通过名称（“检测框：0”）获取张量，并将其存储在每次迭代中。