物体検出のための非最大抑制（NMS）をご覧ください。NMSがどのように結果を洗練させ、精度を高め、YOLO のようなAIアプリケーションを強化するかをご覧ください。
ノンマキシマムサプレッション（NMS）は、多くのコンピュータビジョンのタスク、特に物体検出において重要な後処理ステップである。冗長なバウンディングボックスを除去し、各オブジェクトが一度だけ検出されるようにすることで、オブジェクト検出モデルの出力を洗練させるために使用されます。この処理は、検出結果の精度と解釈可能性を大幅に向上させるため、最新の物体検出パイプラインに不可欠なコンポーネントとなっています。
NMSの核となる機能は、同じオブジェクトを予測する重なり合ったバウンディングボックスをフィルタリングすることである。これは、バウンディングボックス間のIntersection over Union (IoU)と、それらに関連する信頼スコアを評価することによって達成される。このプロセスには通常以下のステップが含まれる：
この反復プロセスにより、最も信頼性が高く、冗長でないバウンディングボックスのみが保持され、よりクリーンで正確なオブジェクト検出が行われます。NMSがどのように物体検出の結果を洗練させ、精度を向上させるかについては、こちらをご覧ください。
人工知能（AI）や機械学習（ML）の分野では、特にUltralytics YOLO のようなモデルにおいて、NMSは物体検出出力の精度を高める上で重要な役割を果たす。NMSがなければ、物体検出モデルは1つの物体に対して複数のバウンディングボックスを生成する可能性があり、特に密なシーンでは誤検出や混乱を招く。このような冗長な検出を除去することで、NMSはモデルの出力が簡潔かつ正確であることを保証します。これは、自律走行車やセキュリティシステムなど、高い信頼性が要求されるアプリケーションに不可欠です。モデル評価についてのより深い理解については、YOLO Performance Metricsをご覧ください。
NMSは、正確な物体検出に依存する数多くの実世界アプリケーションに不可欠である：
NMSは後処理技術であるが、物体検出アーキテクチャの他のコンポーネントと区別することが重要である。アンカーベースの検出器と アンカーフリーの検出器は、最初のオブジェクト提案を生成するための異なるアプローチです。アンカー・ベースの手法は事前に定義されたバウンディング・ボックスを用いるのに対し、アンカー・フリーの手法はオブジェクトの中心を直接予測する。どちらのタイプの検出器も、重複する検出を取り除くことによって最終出力を洗練させるために、しばしばNMSに依存する。
NMS はUltralytics YOLO モデルにシームレスに統合され、その性能と使いやすさを高めている。Ultralytics HUBのようなプラットフォームは、これらのモデルのデプロイメントを簡素化し、高度な物体検出を幅広い技術的専門知識を持たないユーザーでも利用できるようにします。Ultralytics HUBは、YOLO モデルのトレーニング、検証、デプロイを行うためのノーコード環境を提供し、NMSはバックグラウンドで動作して検出結果を最適化します。
結論として、Non-Maximum Suppressionは物体検出出力を洗練させるための基本的なテクニックである。冗長な検出を排除するその能力は、自動運転車から小売店の自動化まで、幅広いAIアプリケーションにおいて正確で信頼性の高い結果を達成するために不可欠であり、Ultralytics YOLO のようなモデルの重要な構成要素である。
