이미지 내에 고양이가 있을 때, 그 고양이의 중심이 특정 그리드 셀 내에 위치한다고 가정해보겠습니다. 해당 그리드 셀은 고양이를 탐지하려고 여러 개의 바운딩 박스를 예측합니다. 각 바운딩 박스에는 위에서 정의한 신뢰도 점수가 부여됩니다. 만약 예측된 경계 상자가 고양이의 실제 위치와 매우 일치한다면 IoU_truthpred 값은 1에 가까울 것이고, 따라서 신뢰도 점수도 높아질 것입니다. 그러나 만약 그리드 셀 내에 아무런 객체도 없다면, Pr(Object)는 0이 되므로 신뢰 점수도 0입니다. 이를 수식화해서 다음처럼 정리할 수 있습니다.

신뢰도 점수(Confidence Score) = Pr(Object) × IoU_truthpred

이렇게 신뢰도 점수는 예측된 경계 상자의 정확도와 그 상자 내에 객체가 존재하는 확률을 동시에 고려합니다. 객체 탐지에서는 이 신뢰도 점수를 통해 어떤 경계 상자를 최종적으로 선택할지 결정하게 됩니다. 신뢰도 점수가 높은 경계 상자는 해당 객체를 더 정확하게 포함하고 있을 가능성이 높다는 것을 의미합니다.