#3. VOC 2021人车检测

检测出图片中的人和汽车，输出刚好能围住他们的矩形边界框

输入：

[3, H, W]的图像array。三个维度分别是图像的通道、高度、宽度。元素值为对应位置的像素值

输出：

[2, 100, 5]的array

第一维：类别（0是人，1是汽车）

第二维：检测数量（如果小于100，用全零填充）

第三维：[x1, y1, x2, y2, confidence]，前四个值是边界框顶点坐标，第五个是置信度

一个图像array，表示的图像里有一个人，没有汽车

一个[2, 100, 5]的array，[0, 0]是[x1, y1, x2, y2, 0.95]，(x1, y1)和(x2, y2)两个点定义的矩形刚好围住图像中的人。array的其他元素都是0

评测系统支持的任一类别的最大检测数量为100，但这只表示所有样本中任一类别的实际数量小于等于100，不包含其他信息。实际数量接近/远低于100都有可能