锚框（Anchor Box）是目标检测模型预先铺好的一批"参考框"：模型不直接凭空算出物体在哪，而是先判断这些框里哪些像物体，再把它们挪一挪、改一改尺寸。
打个比方。要在停车场照片里找出所有车，随便猜一个坐标，猜中的概率极低。锚框的做法更像先在地上画好车位：每个位置画几个大小、胖瘦不同的车位，再让模型回答两个问题——这个车位里有没有车？如果有，车相对车位偏了多少、大了多少？后者就是回归出的偏移量（offset），把车位一挪，框就贴住车了。
实现上，检测网络先把图片压成特征图（feature map），图上每个位置都挂几个锚框，尺寸和长宽比（aspect ratio）是提前定好的——常见做法是在训练集上聚类真实框，看它们大多长什么样，再照着设几组。训练时把锚框和标注框按交并比（IoU，Intersection over Union）匹配：重叠够高的算正样本，学"有物体、往哪偏"；重叠很低的算负样本，学"这里是背景"。推理时大量框互相重叠，还得用非极大值抑制（NMS，Non-Maximum Suppression）去重。
和相邻概念的区别：
- 滑动窗口（sliding window）在一个位置穷举固定大小；锚框则在每个位置同时铺开多种尺度和长宽比。
- 区域提议网络（RPN，Region Proposal Network）本身也用锚框，它先粗筛出候选区域，再交给后面的网络精修。
- 无锚框（anchor-free）方法不预设参考框，直接预测中心点和宽高，或用一组可学习的查询（query）做集合预测。
| 维度 | 锚框方法 | 无锚框 / 端到端方法 |
|---|---|---|
| 先验设定 | 手工设定尺度与长宽比 | 基本不需要 |
| 预测对象 | 相对锚框的偏移量 | 中心点、宽高或查询向量 |
| 后处理 | 通常依赖 NMS 去重 | 部分方案可省去 NMS |
| 换数据集 | 往往要重设锚框 | 相对更省心 |
对从业者来说，锚框的价值和麻烦是一体的：它把"从零回归坐标"拆成"分类加微调"，训练更稳，也让早期检测器真正跑了起来；代价是一堆超参数（尺度、长宽比、IoU 阈值、正负样本比例）要调，换个数据集，原来的尺寸可能就不合适了。这也是无锚框和端到端路线后来流行起来的原因之一。
今天做新项目，条件允许时无锚框或端到端方案往往更省心；但大量存量代码和边缘设备上的老模型仍然靠锚框工作，读懂它依然是看懂检测代码的基本功。普通用户不必关心用的哪套——你在屏幕上看到的那个方框，背后多半站着一群被筛掉的候选框。