当前位置：首页 > news >正文

非极大值抑制(NMS)详解：目标检测中的“去重神器”

news 2025/8/17 15:07:08

大家好！今天我们来聊聊目标检测中的关键算法——NMS（Non-Maximum Suppression，非极大值抑制）。无论是YOLO、Faster R-CNN还是SSD，NMS都是它们输出结果的“最后把关人”。本文将带你彻底搞懂NMS的原理和实现！

🤔 一、为什么需要NMS？

想象一下：你用目标检测模型识别下图中的小猫🐱，模型可能输出多个重叠的矩形框（如下图），每个框都有置信度分数（表示模型认为框内是猫的概率）。

如果全保留，一只猫会被重复检测多次！这不仅浪费计算资源，还会导致结果混乱。NMS的作用就是：

1️⃣ 保留置信度最高的框；

2️⃣ 抑制掉与其高度重叠的其他框。

最终效果👉 每只猫只对应一个最优框！

🔍 二、NMS核心思想

“非极大值抑制” 这个名字已经剧透了它的工作方式：

“极大值”：指的是局部区域内置信度最高的框；
“非极大值”：与其重叠度高但分数低的框；
“抑制”：删除这些非极大值框。

简单说：每个目标只留一个最自信的框，其他靠太近的统统删掉！

📝 三、算法流程详解

假设我们有6个候选框（A-F），置信度排序为：A < B < C < D < E < F（F最自信）。设IoU阈值为0.5。

✅ Step 1: 选出当前最高分框

从F开始，将其加入保留列表✅。

✅ Step 2: 计算IoU并抑制重叠框

计算F与A~E的交并比（IoU）：

IoU > 0.5 👉 认为与F是同一目标，删除B和D❌；
IoU ≤ 0.5 👉 保留A、C、E✅。

✅ Step 3: 处理剩余框，重复上述过程

剩余框：A、C、E（置信度排序：E > C > A）

选最高分框E加入保留列表✅；
计算E与A、C的IoU：若A和C与E重叠>0.5，则删除。

✅ 最终结果

保留框：F和E（两个不同目标）！

👉点击了解什么是IOU(交并比)

💻 四、代码实现（Python版）

import numpy as npdef nms(dets, thresh):"""Pure Python NMS实现."""x1 = dets[:, 0]  # 左上角x坐标y1 = dets[:, 1]  # 左上角y坐标x2 = dets[:, 2]  # 右下角x坐标y2 = dets[:, 3]  # 右下角y坐标scores = dets[:, 4]  # 置信度areas = (x2 - x1 + 1) * (y2 - y1 + 1)  # 每个框的面积order = scores.argsort()[::-1]  # 按置信度降序排序keep = []  # 保留的框索引while order.size > 0:i = order[0]  # 当前最高分框keep.append(i)# 计算当前框与其他框的交集坐标xx1 = np.maximum(x1[i], x1[order[1:]])yy1 = np.maximum(y1[i], y1[order[1:]])xx2 = np.minimum(x2[i], x2[order[1:]])yy2 = np.minimum(y2[i], y2[order[1:]])# 计算交集面积w = np.maximum(0.0, xx2 - xx1 + 1)h = np.maximum(0.0, yy2 - yy1 + 1)inter = w * h# 计算IoU = 交集 / (面积1 + 面积2 - 交集)iou = inter / (areas[i] + areas[order[1:]] - inter)# 保留IoU低于阈值的框（不重叠）inds = np.where(iou <= thresh)[0]order = order[inds + 1]  # 更新待处理框索引return keep