Немаксимальное подавление (НМС)

Немаксимальное подавление (НМС) - важнейшая техника, используемая во многих приложениях компьютерного зрения, в частности в распознавании объектов, для уточнения результатов работы алгоритма. После того как модель обнаружения объектов генерирует множество ограничивающих коробок вокруг объектов, NMS фильтрует эти коробки, чтобы устранить избыточные обнаружения, гарантируя, что каждый объект будет идентифицирован только один раз. Этот процесс повышает точность и надежность результатов обнаружения, выбирая наиболее релевантные ограничительные рамки на основе их оценок доверия и перекрытия.

Как работает подавление без максимума

Основная задача NMS - уменьшить количество перекрывающихся ограничивающих боксов, сохранив при этом самые точные из них. Этот процесс можно разбить на следующие этапы:

1. Инициализация: Начни со списка ограничивающих боксов, каждый из которых связан с баллом доверия, указывающим на уверенность модели в наличии объекта внутри бокса.
2. Выбор: Выбери ограничительную рамку с наибольшим показателем доверия.
3. Сравнение: Сравни эту выбранную рамку со всеми остальными ограничивающими рамками. Метрика Intersection over Union (IoU) обычно используется для измерения перекрытия между боксами. IoU количественно определяет перекрытие между двумя ограничивающими боксами путем деления площади их пересечения на площадь их объединения.
4. Подавление: Если IoU между выбранным боксом и другим боксом превышает заданный порог, то бокс с более низким баллом доверия подавляется или удаляется. Этот шаг гарантирует, что будут сохранены только наиболее уверенные и наименее пересекающиеся боксы.
5. Итерация: Повторяй шаги 2-4, пока все ящики не будут либо выбраны, либо подавлены.

Важность в искусственном интеллекте и машинном обучении

В сфере ИИ и машинного обучения, особенно в таких моделях, как Ultralytics YOLO , NMS незаменим для уточнения результатов обнаружения объектов. Устраняя лишние ограничивающие рамки, NMS повышает точность моделей обнаружения объектов. Такое уточнение крайне важно для приложений, требующих высокой точности, таких как автономные транспортные средства и системы наблюдения, где множество пересекающихся обнаружений может привести к путанице и ошибкам.

Сравнение с аналогичными техниками

В то время как NMS фокусируется на постобработке для удаления избыточных обнаружений, другие методы, такие как детекторы на основе якорей и детекторы без якорей, рассматривают различные аспекты конвейера обнаружения объектов. Методы, основанные на якорях, используют для обнаружения объектов предопределенные ящики различных размеров и соотношений сторон, в то время как методы без якорей предсказывают центры объектов напрямую, упрощая процесс обнаружения. Оба эти подхода обычно используются перед NMS в конвейере обнаружения, чтобы сгенерировать начальный набор ограничивающих рамок.

Применение в реальном мире

Самоуправляемые автомобили

В контексте самоуправляемых автомобилей точное и надежное обнаружение объектов имеет первостепенное значение для безопасности. NMS помогает системе восприятия автомобиля точно идентифицировать и отслеживать такие объекты, как пешеходы, другие транспортные средства и препятствия. Отфильтровывая лишние обнаружения, NMS обеспечивает более четкое и точное понимание окружающей обстановки, позволяя автомобилю принимать взвешенные решения. Узнай больше о компьютерном зрении в автономных автомобилях.

Управление запасами в розничной торговле

NMS также играет важную роль в розничной торговле, особенно в управлении запасами. Точно обнаруживая и подсчитывая товары на полках, NMS помогает поддерживать точный уровень запасов, сокращать расхождения и повышать общую операционную эффективность. Благодаря этому приложению ритейлеры могут обеспечить более качественное обслуживание клиентов, обеспечивая доступность товаров и оптимизируя цепочку поставок. Узнай больше об искусственном интеллекте в розничной торговле.

Интеграция с Ultralytics Tools

NMS легко интегрируется в продвинутые модели обнаружения объектов, такие как Ultralytics YOLO , повышая их производительность и удобство использования. Такие платформы, как Ultralytics HUB, предлагают no-code решения для развертывания этих моделей, облегчая пользователям применение NMS в различных реальных сценариях. Такая интеграция упрощает процесс развертывания и гарантирует, что пользователи смогут добиться оптимальных результатов без обширных технических знаний. Кроме того, для тех, кто заинтересован в использовании NMS с PyTorch, Ultralytics предоставляет исчерпывающую документацию и поддержку в виде руководства по внедрениюPyTorch , облегчающего обучение и развертывание моделей.

В заключение хочу сказать, что подавление без максимума - важнейшая техника для повышения точности и эффективности моделей обнаружения объектов. Способность отфильтровывать лишние ограничивающие рамки делает ее важным компонентом в различных приложениях, основанных на искусственном интеллекте, - от автономных транспортных средств до управления запасами в розничной торговле. Интегрировав NMS в свои рабочие процессы, разработчики и предприятия смогут добиться более надежных и точных результатов обнаружения объектов, стимулируя инновации и повышая производительность в разных отраслях.