非最大抑制（NMS）

非最大抑制是如何工作的

物体检测模型，如各种 Ultralytics YOLO版本，通常会扫描图像，并围绕检测到的物体提出许多潜在的边界框。每个提议的包围盒都有一个置信度分数，表示模型确定该包围盒包含一个物体并属于某个特定类别。NMS 的工作原理是根据置信度得分和空间重叠情况，系统地减少这些提议。

该过程一般遵循以下步骤：

1. 所有提议的边界框都会根据置信度得分进行排序，通常是降序排列。
2. 置信度得分最高的边界框被选为最终检测结果。
3. 所有与该选定边框有明显重叠的其他边框都会被抑制或移除。重叠度使用 "交集大于联合（IoU）"度量，如果 IoU 超过预定义的阈值（例如 0.5），就会被抑制。有关这一核心概念的详细解释，请参阅PyImageSearch 的 NMS 指南等资源。
4. 这一过程反复进行：从剩余的方格中选择下一个得分最高的方格，并删除重叠的方格。
5. 这一过程一直持续到所有方框都被选为最终检测结果或被抑制为止。

这样可以确保只保留最有把握、不重叠的方框，从而提供更简洁、更可解释的输出结果，正如许多计算机视觉教程中所展示的那样。

人工智能和机器学习的重要性

在更广泛的人工智能（AI）和机器学习（ML）领域，NMS 是实现可靠物体检测性能的基础。如果没有 NMS，像 YOLO11这样的检测器的输出就会被单个物体的多个方框所干扰。这种冗余会导致下游应用出现错误，例如计数物体（物体计数指南）、物体跟踪或机器人技术中的复杂场景理解。

通过消除这些冗余检测（通常会导致误报），NMS 大大提高了模型预测的精确度。这种改进对于要求高可靠性和准确性的应用来说至关重要。NMS 的影响体现在平均精度 (mAP) 等评估指标中，这些指标通常在应用 NMS 后计算得出，详见YOLO 性能指标指南。

实际应用

NMS 是实现众多人工智能实际应用的基础技术：

• 自动驾驶汽车：在自动驾驶汽车中，NMS 通过过滤对每个物体的多次检测，帮助准确识别和定位车辆、行人、骑车人和交通标志，确保导航更加安全。了解更多有关自动驾驶汽车中的人工智能的信息。
• 医学图像分析：在医学扫描（如CT 扫描或核磁共振成像）中检测肿瘤或病变等异常情况时，NMS 可确保每个发现都用一个边界框标记，从而帮助放射科医生进行诊断。这在放射学等领域至关重要，并得到了北美放射学会（RSNA）等组织的支持。了解有关医疗保健领域人工智能的更多信息。
• 安全与监控：NMS 用于视频监控系统，可在拥挤的场景中准确检测和计算个人或物体的数量（监控博客中的人工智能）。
• 零售分析：对于库存管理或货架监控等任务，NMS 可帮助确保每件产品只被检测一次。
• 机器人：机器人的导航和互动依赖于精确的物体检测；NMS 可提供这些任务所需的纯净检测数据（将计算机视觉技术融入机器人技术）。

与相关技术的比较

NMS 特别是在物体检测模型生成初始候选边界框集后进行的后处理步骤。它不应与检测架构本身相混淆，例如基于锚点的检测器和无锚点的检测器之间的区别。这些架构定义了如何提出潜在的边界框，而 NMS 则完善了这些提议。

有趣的是，与 NMS 相关的计算成本和潜在瓶颈激发了对无 NMS 物体检测器的研究。YOLOv10等模型在训练过程中整合了各种机制（如一致的双重分配），从本质上避免预测多余的盒子，从而减少推理延迟，实现真正的端到端检测（YOLOv10 无 NMS 方法）。这与传统方法（如 Ultralytics YOLOv8或 YOLOv5等传统方法形成鲜明对比，在这些方法中，NMS 仍是推理管道的标准和重要组成部分。您可以在我们的文档中探索技术比较，如YOLOv10 与YOLOv8。Soft-NMS（关于 Soft-NMS 的论文）等变体提供了另一种方法，即衰减重叠方框的分数，而不是完全消除它们。

与Ultralytics 工具集成

NMS 与Ultralytics 生态系统无缝集成。Ultralytics YOLO 模型可在以下过程中自动应用 NMS 预测predict) 和 验证（val) 模式，确保用户在默认情况下获得干净准确的检测输出。控制 NMS 行为的参数（如 IoU 门限和置信度门限）通常可根据特定应用需求进行调整。

Ultralytics HUB等平台进一步抽象了这些细节，允许用户训练模型（云训练指南）并部署模型，其中 NMS 作为优化管道的一部分自动处理。这种集成确保了用户无论在MLOps 方面是否具有深厚的专业技术知识，都能受益于各种计算机视觉任务中最先进的物体检测结果。Ultralytics 框架内的具体实施细节可在Ultralytics 实用程序参考资料中查看。如需了解更多定义，请查看Ultralytics 术语表。