非最大抑制NMS

非最大抑制（NMS）是一种用于目标检测的后处理技术，用于优化模型生成的原始预测结果。 当目标检测模型分析图像时，常会为单个目标生成多个重叠的边界框，每个边界框都关联着相应的置信度评分。这种冗余预测的产生源于模型可能在略有差异的尺度或位置detect 。NMS 仅保留每个目标最精确的边界框并舍弃其余预测NMS 输出结果，确保最终输出清晰、精准且无重复项。

非极大值抑制的工作原理

NMS 候选边界框列表及其对应的置信度分数进行操作。其目标是为目标选择最佳边界框，并抑制（移除）与其显著重叠的其他边界框，因为这些框很可能是对同一目标的重复检测。该过程通常遵循以下步骤：

1. 过滤：移除所有置信度低于特定阈值（例如0.25）的边界框，以立即剔除弱预测结果。
2. 排序：根据剩余箱子的置信度得分，按降序排列。
3. 选择：选中置信度评分最高的方框作为有效检测结果。
4. 比较： 使用交并比（IoU）将选定框与所有其他剩余框进行比较， 该指标用于衡量两个框之间的重叠程度。
5. 抑制：若选定框与另一框IoU 值超过预设阈值 （例如0.45），则得分较低的框将被视为重复框并予以移除。
6. 迭代：对尚未被抑制或选中的下一个得分最高的方框重复该过程，直至所有方框均被处理完毕。

实际应用

在精度至关重要且重复检测可能导致下游系统混乱的场景中，NMS 。

• 自动驾驶：在自动驾驶汽车系统中，摄像头detect 、其他车辆及交通标志。某个模型可能对单个行人预测出三个略有差异的边界框。NMS 车辆规划系统仅接收该行人的单一坐标，从而避免因"幽灵"障碍物导致的异常制动或路径规划错误。
• 零售库存管理：当使用计算机视觉技术统计货架商品数量时，商品往往紧密堆叠。若未NMS（数值空间排序）NMS，单个汽水罐可能因预测结果重叠而被重复计数，导致库存数据失准。NMS 检测结果，确保库存统计与实际情况相符。

基于PyTorch的NMS

尽管许多现代框架NMS 处理了NMS ，但理解其实现机制有助于参数调优。 以下示例演示了如何PyTorch 应用NMS ：

import torch
import torchvision.ops as ops

# Example bounding boxes: [x1, y1, x2, y2]
boxes = torch.tensor(
    [
        [100, 100, 200, 200],  # Box A
        [105, 105, 195, 195],  # Box B (High overlap with A)
        [300, 300, 400, 400],  # Box C (Distinct object)
    ],
    dtype=torch.float32,
)

# Confidence scores for each box
scores = torch.tensor([0.9, 0.8, 0.95], dtype=torch.float32)

# Apply NMS with an IoU threshold of 0.5
# Boxes with IoU > 0.5 relative to the highest scoring box are suppressed
keep_indices = ops.nms(boxes, scores, iou_threshold=0.5)

print(f"Indices to keep: {keep_indices.tolist()}")
# Output will likely be [2, 0] corresponding to Box C (0.95) and Box A (0.9),
# while Box B (0.8) is suppressed due to overlap with A.

NMS 端到端检测

传统上，NMS 强制性的"清理"步骤，独立于主神经网络之外运行，从而增加了推理延迟。然而，该领域正朝着端到端架构方向发展。

• NMS：一种需要手动调整IoU 启发式过程。若阈值过低，可能遗漏相邻的有效目标（召回率低）；若阈值过高，则会保留重复目标（精度低）。
• 端到端模型：新一代模型（如YOLO26）采用原生端到端设计。它们在训练过程中学会为每个目标精确预测一个边界框，从而有效内化NMS （非最大交集）NMS 。这消除了外部后处理的需求，Ultralytics 实现了更快的推理速度和更简化的部署流程。

相关概念

• NMS：一种变体方案，其中重叠框不会被严格移除，而是降低其置信度评分。这使得部分重叠的物体（如人群中的人）在衰减后若评分仍保持足够高，仍可被检测到。
• 锚框：预定义的框形 被许多检测器用于估计物体尺寸。最终预测结果经过锚框优化后，NMS 进行调整。
• 交并比（IoU）： NMS 用于NMS 两个边界框重叠程度的数学公式，作为抑制决策的阈值。