NMS非极大值抑制疑问，bbox和当前最高分框的重叠面积(IOU)小于一定阈值 那这些框该怎么处理呢？

最新推荐文章于 2025-07-23 09:34:47 发布
最新推荐文章于 2025-07-23 09:34:47 发布
阅读量3.7k 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 目标检测 DDetection
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Asunany/article/details/83502717
本文深入探讨了非极大值抑制(NMS)算法的基本流程，重点解析了框得分排序、重叠区域处理及阈值设定等关键步骤。通过实例阐述了当候选框间重叠面积小于阈值时的处理策略。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

下面是NMS的基本的算法流程，

（1）将所有框的得分排序，选中最高分及其对应的框 
（2）遍历其余的框，如果和当前最高分框的重叠面积(IOU)大于一定阈值，我们就将框删除。 
（3）从未处理的框中继续选一个得分最高的，重复上述过程。

 

我的疑问是： 步骤（2）中遍历其余的框，如果和当前最高分框的重叠面积(IOU)小于一定阈值 那这些该怎么处理呢？谢谢？

例如对于人脸检测出了2个bbox，分别为A,B，其置信率分别为0.9,0.3，但是他们两个bbox没有交集或者交集小于NMS规定的阈值，那请问最后是取那个框作为检测框呢？

我想我应该表述清楚我的疑问了，谢谢大家的解答~！

YOLOv11的置信度阈值（conf）和IOU阈值调优：调整--conf和--iou参数优化检测结果
专注Java开发与国产数据库技术分享，涵盖达梦DM8/OceanBase/GaussDB核心原理与实战，兼及DeepSeek大模型部署、YOLOv11训练等AI技术，为开发者提供从基础到进阶的技术干货。
06-22 730
YOLOv11目标检测参数调优指南 摘要：本文系统探讨了YOLOv11目标检测中的核心参数调优策略。首先解析了置信度(confidence)和IOU(交并比)的数学原理及其对检测结果的影响，指出置信度阈值平衡召回率与精度，而IOU阈值控制检测框合并程度。接着提出了分阶段调优方法：先粗调置信度确定最优区间，再精调到0.01步长；IOU调优需考虑目标密度和大小。文章还介绍了差异化调优策略，包括按类别设置不同阈值、动态IOU调整以及高级NMS算法实现。实践表明，合理的参数组合可使mAP提升15-20%，同时保持实
目标检测的Tricks | 【Trick9】nms非极大值抑制处理（包括变体merge-nms、and-nms、soft-nms、diou-nms等介绍）
Clichong
04-23 6899
如有错误，恳请指出。 用这篇博客记录一下nms，也就是非极大值抑制处理，算是目标检测后处理的一个难点。 在训练阶段是不需要nms处理的，只有在验证或者是测试阶段才需要将预测结果进行非极大值抑制处理，来挑选最佳的正样本。下面就详细查看一下非极大值抑制处理算法的一个大致流程。 文章目录1. NMS主要步骤2. NMS代码实现3. NMS的变体与实现3.1 hard_nms_batch3.2 hard_nms3.3 and-nms3.4 merge-nms3.5 soft-nms3.6 iou-nms3.7 .
目标检测IoU阈值全解析：YOLO/DETR模型中的精度-召回率博弈与工程实践指南
燃灯工作室
02-16 1038
硬件考量： 边缘设备：固定阈值减少计算量 服务器环境：可部署动态阈值策略
目标检测中NMS和mAP指标中的的IoU阈值和置信度阈值
热门推荐
梦坠凡尘
06-03 4万+
有时候路走的太远，会忘了为什么要出发。 学习亦如是 在目标检测中，经常看到置信度阈值和IoU阈值这两个关键参数，且NMS计算和mAP计算中都会有这两个，那它们的区别是什么?本文就这个问题做一次总结。 NMS 模型预测会输出很多框，比如同一个目标会有很多框对应，NMS的作用是删除重复框，保留置信度分数最大的框。 mAP ...
【算法】NMS非极大值抑制
可乐大牛的博客
02-13 832
文章目录IOUIOU实现NMSNMS实现 IOU IoU 的全称为交并比（Intersection over Union），IoU 计算方法有两种 1、 “预测的边框” 和 “真实的边框” 的交集和并集的比值。 2、 “预测的边框” 和 “真实的边框” 的交集和较小的预测框的比值 一般常用第一种计算 但是当一个框在另一个框内部 IOU很小时 可以次啊用第二种 求两个框的交集： 两个框box1=[x1,y1,x2,y2]，box2=[x1,y1,x2,y2] 分别是框左上角的坐标和右下角的坐标，交集部分的坐标
NMS
weixin_39454351的博客
02-14 1161
非极大抑制：用于目标检测中删除重复的框 输入：多个检测的边框，每个边框有得分 输出：最好的边框 对于同一张人脸，可能会存在很多个边界框（每一个框都带有一个分类器得分），我们的目标是，使用NMS抑制那些冗余的框，抑制的过程是一个迭代-遍历-消除的过程。 1.将所有框的得分排序，选中最高分及其对应的框。 2.遍历其余的框，如果当前最高分的框和其框的面积交并比（IoU）删除大于设定的阈值的框。...
YOLO架构模型推理阶段置信度阈值和NMS阈值推荐设置
最新发布
weixin_44770969的博客
07-23 227
在 YOLOFast（或类似 YOLO 架构）模型的推理阶段，和。
【yolo】NMS非极大值抑制+IoU的C++实现
Yumesann的博客
02-07 345
NMS & IoU的C++实现，自己随便练着写的，没测试，有问题请告知我修改！
非极大值抑制 NMS Non-Maximum Suppression 目标检测中的一个关键步骤，用于消除对同一目标重复检测的冗余边界框 提高检测的精度和效率 保留局部区域中置信度最高的预测框
万有文的博客
05-06 1519
非极大值抑制的做法是，选出某个类别得分最高的预测框，然后看哪些预测框跟它的IoU大于阈值，就把这些预测框给丢弃掉。需要注意的是，NMS是目标检测中的一个通用步骤，不同的目标检测算法可能会使用不同的NMS变种，如Soft-NMS、Weighted NMS等，以进一步提高检测性能。抑制重叠的预测框：设定一个IoU阈值（如0.5），对于IoU大于该阈值的预测框，将它们从列表中移除，因为它们与当前选择的预测框重叠度过高，可能指向同一个目标。计算IoU（交并比）：计算当前选择的预测框与列表中剩余预测框之间的IoU。
非极大值抑制 python_非极大值抑制（Non-Maximum Suppression，NMS）
weixin_39534395的博客
12-16 595
概述非极大值抑制(Non-Maximum Suppression，NMS)，顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。这里不讨论通用的NMS算法(参考论文《Efficient Non-Maximum Suppression》对1维和2维数据的NMS实现)，而是用于目标检测中提取分数最高的窗口的。例如在行人...
NMS(非极大值抑制)算法 -- 理论、代码
_天涯__的博客
01-04 1169
目的 消除 anchor-based 算法中因为滑动窗口或者重叠采样等方式产生的众多冗余候选框，保留效果最佳的框。 定义 非极大值抑制（Non-Maximum Suppress，NMS）算法，就是抑制非极大值的目标（去冗余），从而搜索出局部极大值的目标（找最优）。 原理 输入 给定所有可能的预测边框 predictions = [ [x_max, x_min, y_max, y_min, score], [*], ..., [*]] 以及一个给定的IoU阈值 iou_threshold.（有多少
IoU阈值的解释
m0_74409046的博客
12-25 1381
是一种用于衡量两个边界框相似度的指标，主要用于目标检测任务。交集面积：预测框与真实框重叠区域的面积。并集面积：预测框和真实框合并区域的总面积。IoU 的值范围是[0, 1]值越接近 1，预测框和真实框越重叠，表示匹配越好。值接近 0，说明两者几乎没有重叠。
目标检测：IOU指标
Wei_sx的博客
02-17 1756
交集（Intersection）：预测框与真实框重叠的区域。并集（Union）：预测框与真实框合并后的区域。IOU的公式：其中：表示交集的面积（即预测框与真实框重叠的区域），表示真实框的面积。
目标检测中IoU阈值和置信度阈值的区别和作用
jx2017的博客
11-06 5938
低置信度的框虽然在推理过程中可能会被筛选掉（如果设置了高置信度阈值），但在评估过程中，它们仍然会被计算进来，只要它们的 IoU 足够高（大于或等于 IoU 阈值）。在评估中使用较低的置信度阈值可能会导致更多的错误预测参与计算，从而影响最终的性能指标（如 mAP）。IoU阈值影响的是目标检测模型如何进行正负样本的区分和位置损失的计算。通常它决定了预测框与真实框是否足够接近，影响位置精度的计算。置信度阈值影响的是目标存在性损失。
重叠度（IOU）、非极大值抑制（NMS）
qqyouhappy的博客
06-02 812
重叠度（IOU） 假设集合A、B，则IoU=(A∩B)/(A∪B) 非极大值抑制（NMS） 同种类别情况下，对每个候选区域的得分进行从大到小排序，取出其中得分最高的。与其他剩余的所有感兴趣区域计算 IoU。将与当前感兴趣区域边框 IoU的值大于设定 IoU 阈值的感兴趣区域边框去除。然后从未处理的感兴趣区域边框继续选出得分最高的，重复上述过程直到找到对于每个类别中所有的感兴趣区域。 ...
Recall Precision IoU
qq_27840681的博客
03-20 974
Recall Precision IoU参考：周志华 《机器学习》http://blog.youkuaiyun.com/hysteric314/article/details/54093734 TP，FP，TN，FN Recall Precision IoU TP，FP，TN，FN对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为 1. 真正例（TP：true positive） ：真实情况
手写 非极大值抑制（NMS）
YXD0514的博客
08-31 1227
目标检测中的非极大值抑制（NMS）是一种用于去除重叠边界框的方法。具体来说，NMS通过计算每个边界框与其他所有边界框之间的交并比（IoU），来确定它们之间的相似度。然后，它会选择具有最高得分的边界框，并将其添加到最终结果中。接下来，NMS会删除与当前最高得分边界框具有高IoU的所有其他边界框。这个过程会一直重复，直到所有边界框都被处理完毕。
计算机视觉：两个旋转检测框bbox的IoU计算
博学而笃志，切问而近思。
06-12 3037
计算机视觉：两个旋转检测框bbox的IoU计算
非极大值抑制的iou阈值和置信度阈值
02-20
### 非极大值抑制中IOU阈值和置信度阈值的作用 #### IOU阈值作用 在非极大值抑制(NMS)过程中，IOU（Intersection over Union, 交并比）用于衡量两个边界框之间的重叠程度。当候选区域的预测边界框与具有最高得分的...
评论 13
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值