Glosario

Supresión no máxima (NMS)

Descubre la Supresión No Máxima (NMS) para la detección de objetos. Descubre cómo refina los resultados, mejora la precisión y potencia aplicaciones de IA como YOLO.

Entrena los modelos YOLO simplemente
con Ultralytics HUB

Saber más

La Supresión No Máxima (SNM) es una técnica crucial de postprocesado utilizada en visión por ordenador, sobre todo en las cadenas de detección de objetos. Su función principal es limpiar los resultados brutos de los modelos de detección, que a menudo identifican múltiples cuadros delimitadores superpuestos para el mismo objeto. Al filtrar inteligentemente estos recuadros redundantes, el NMS garantiza que cada objeto distinto de una imagen o un fotograma de vídeo esté representado por un único recuadro delimitador óptimo, lo que mejora significativamente la claridad y precisión de los resultados de la detección.

Cómo funciona la supresión no máxima

Los modelos de detección de objetos suelen generar numerosos recuadros delimitadores potenciales alrededor de los objetos, cada uno con una puntuación de confianza asociada que indica la probabilidad de que el recuadro contenga un objeto y pertenezca a una clase específica. El NMS funciona reduciendo sistemáticamente estas propuestas en función de sus puntuaciones de confianza y solapamiento espacial. Por lo general, el proceso consiste en clasificar todas las cajas detectadas por su puntuación de confianza en orden descendente. La casilla con la puntuación de confianza más alta se selecciona como detección final. A continuación, se suprimen o descartan todas las demás casillas que se solapen significativamente con esta casilla seleccionada (por encima de un umbral predefinido de Intersección sobre Unión (IoU )). Este procedimiento se repite iterativamente con las casillas restantes hasta que se hayan seleccionado o suprimido todas las casillas. Esto garantiza que sólo queden las cajas más seguras y no solapadas, proporcionando un resultado más limpio, como se explica en recursos como la explicación de NMS de Learn OpenCV.

Importancia en la IA y el Aprendizaje Automático

En Inteligencia Artificial(IA) y Aprendizaje Automático(AM), el NMS es vital para conseguir un rendimiento fiable en la detección de objetos, especialmente con modelos como Ultralytics YOLO. Sin NMS, la salida estaría abarrotada de múltiples casillas para objetos individuales, lo que provocaría errores potenciales en tareas posteriores como el seguimiento de objetos o la comprensión de la escena. Al eliminar estas detecciones redundantes (a menudo llamadas falsos positivos), el NMS mejora significativamente la precisión de las predicciones del modelo. Este refinamiento es crucial para las aplicaciones que exigen una gran fiabilidad. Puedes explorar cómo se calculan métricas como la Precisión Media Promedio (mAP) tras el NMS en la guía Métricas de rendimiento deYOLO .

Aplicaciones en el mundo real

El NMS es fundamental para muchas aplicaciones prácticas de la IA:

  • Vehículos autónomos: En los coches autónomos, el NMS ayuda a garantizar que los peatones, otros vehículos y las señales de tráfico se detectan con precisión y de forma única, lo que es fundamental para la seguridad de la navegación y la toma de decisiones. Las detecciones redundantes podrían confundir al sistema de conducción, como se detalla en los debates sobre la IA en los vehículos autónomos.
  • Análisis de imágenes médicas: Al analizar exploraciones como radiografías o resonancias magnéticas en busca de anomalías como tumores, los modelos de detección de objetos pueden destacar inicialmente múltiples regiones superpuestas para un único problema potencial. NMS las filtra para señalar el área más probable, ayudando a los radiólogos en el diagnóstico, una parte clave de la IA en la asistencia sanitaria. Puedes encontrar más información sobre este tema en los recursos de la Sociedad Radiológica de Norteamérica (RSNA).

Comparación con técnicas afines

El NMS es un paso de postprocesamiento que se aplica después de que un modelo genere las detecciones iniciales. Difiere del propio mecanismo de detección, como los que utilizan los detectores basados en anclas o los detectores sin anclas. Mientras que estas arquitecturas definen cómo se proponen las cajas candidatas, el NMS refina estas propuestas. Curiosamente, los avances recientes han dado lugar a modelos que aspiran a una detección sin NMS, como YOLOv10, que integra mecanismos para evitar predicciones redundantes durante el entrenamiento, reduciendo potencialmente la latencia de la inferencia. Esto contrasta con enfoques tradicionales como YOLOv8 o YOLOv5 donde el NMS es una parte estándar del proceso de inferencia. Puedes encontrar más comparaciones entre modelos como YOLO11 frente a YOLOv10 en nuestra documentación.

Integración con Ultralytics Herramientas

NMS está perfectamente integrado en el ecosistema de Ultralytics . Los modelosYOLO de Ultralytics aplican NMS por defecto durante las fases de predicción y validación para garantizar unos resultados limpios y precisos. Herramientas como Ultralytics HUB simplifican aún más el proceso, permitiendo a los usuarios entrenar y desplegar modelos en los que el NMS se gestiona automáticamente, haciendo accesible la detección avanzada de objetos incluso sin profundos conocimientos técnicos. Los detalles de implementación subyacentes pueden explorarse en la referencia de utilidades de Ultralytics . Esta integración garantiza que los usuarios se beneficien de resultados de detección optimizados de forma inmediata para diversas tareas de visión por ordenador. También puedes explorar otros conceptos de IA en el Glosario de Ultralytics .

Leer todo