YOLOv7系列：改进版Soft-NMS、Soft-CIoUNMS、Soft-SIoUNMS、Soft-DIoUNMS、Soft-EIoUNMS、Soft-GI

最新推荐文章于 2025-09-16 07:00:00 发布
最新推荐文章于 2025-09-16 07:00:00 发布
阅读量332 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： YOLO 目标跟踪 人工智能 计算机视觉
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/KtMacos/article/details/133029947
本文介绍了YOLOv7系列的改进算法，如Soft-NMS、Soft-CIoUNMS等，它们针对传统非极大值抑制的不足，通过引入新的IoU计算方式，提高了目标检测的准确性和鲁棒性。这些改进算法考虑了目标框的位置、大小、形状和边缘信息，为计算机视觉提供了更精确的目标检测解决方案。

YOLOv7系列：改进版Soft-NMS、Soft-CIoUNMS、Soft-SIoUNMS、Soft-DIoUNMS、Soft-EIoUNMS、Soft-GIoUNMS在计算机视觉中的应用

目前，计算机视觉领域的目标检测任务中，YOLOv7系列已经成为了一个非常受欢迎的模型架构。为了进一步提高目标检测的准确性和鲁棒性，研究人员对YOLOv7进行了改进，引入了一系列新的算法，包括Soft-NMS、Soft-CIoUNMS、Soft-SIoUNMS、Soft-DIoUNMS、Soft-EIoUNMS和Soft-GIoUNMS。

Soft-NMS（Soft Non-Maximum Suppression）是对传统的非极大值抑制算法的改进。传统的非极大值抑制方法通常会消除掉与最大置信度目标框有重叠的较低置信度目标框，但这样可能会导致一些真实目标被错误地抑制。Soft-NMS引入了一个衰减函数，根据目标框之间的置信度分数和重叠程度来调整目标框的得分，从而保留了一定程度的重叠目标框。

Soft-CIoUNMS（Soft Class-Independent IoU NMS）是一种改进的类别无关的IoU（Intersection over Union）非极大值抑制算法。传统的IoU非极大值抑制方法在计算重叠度时只考虑了目标框的位置信息，而忽略了目标框的大小和形状等因素。Soft-CIoUNMS通过引入一个类别无关的IoU函数，综合考虑了位置、大小和形状等因素，从而更准确地进行目标框的抑制。

Soft-SIoUNMS（Soft Shape-Independent IoU NMS）是一种改进的形状无关的IoU非极大值抑制算法。传统的形状无关的IoU非极大值抑制方法在计算重叠度时只考虑了目标框的位置信息和大小信息，而忽略了目

了解本专栏 订阅专栏 解锁全文
YOLOv7系列：创新改进的Soft-NMS、Soft-CIoUNMS、Soft-SIoUNMS、Soft-DIoUNMS、Soft-EIoUNMS、Soft-
JjtlReact的博客
09-18 339
在这篇文章中，我们将介绍YOLOv7系列的创新改进算法，包括Soft-NMS、Soft-CIoUNMS、Soft-SIoUNMS、Soft-DIoUNMS、Soft-EIoUNMS和Soft-GIoUNMS，并提供相应的源代码。YOLOv7系列：创新改进的Soft-NMS、Soft-CIoUNMS、Soft-SIoUNMS、Soft-DIoUNMS、Soft-EIoUNMS、Soft-GIoUNMS算法在计算机视觉中的应用。通过引入Soft-NMS、Soft-CIoUNMS、Soft-S。
YOLOv7系列：改进Soft-NMS,Soft-CIoUNMS,Soft-SIoUNMS,Soft-DIoUNMS,Soft-EIoUNMS,Soft-GIo
IdfdFsharp的博客
09-18 351
近年来，计算机视觉领域取得了巨大的发展，其中目标检测是一个重要的研究方向。在YOLOv7系列中，我们关注于改进目标检测过程中的非极大值抑制（NMS）方法，引入了一系列的改进版本如Soft-NMS, Soft-CIoUNMS, Soft-SIoUNMS, Soft-DIoUNMS, Soft-EIoUNMS和Soft-GIoUNMS。YOLOv7系列：改进Soft-NMS,Soft-CIoUNMS,Soft-SIoUNMS,Soft-DIoUNMS,Soft-EIoUNMS,Soft-GIoUNMS…
yolov7之soft-nms（个人备忘录）
cyh20182808的博客
04-12 1531
训练时不要加，会加大训练时间。在测试的时候，这样改，然后用就可以，且不一定能提升精度，对于二阶段的模型会更好一些，看个人数据集。找到def non_max_suppression(prediction, cnf_后面省略)，粘贴到它前面，如箭头所示。选择一种，例如选EIou，那就将那行代码添加，EIou=True。他支持GIou，DIou，CIou，SIou，EIou。在下图所示位置，什么参数都不加，即选择默认的iou。即可在test.py进行测试。
【论文学习】Soft-NMS: 用一行代码改进目标检测
CV前沿
03-10 2485
在目标检测领域，非极大值抑制是目标检测管道中的重要一环。那么你知道它的原理吗？它有哪些缺点？如何改进？ 本文会介绍NMS和改进方法Soft-NMS。 后续会陆续介绍其他几篇有名的NMS变体，包括IoU-Guided NMS、Adaptive NMS、DIoU-NMS、Softer-NMS等。 详情关注【CV面试宝典】，回复关键词【NMS】可获取NMS与其变体的论文资料。 摘要 非极大值抑制（NMS）是目标检测管道中的一个必要组成部分。首先，它基于目标检测框的置信度对所有目标检测框进行排序，其中得分最高的检
YOLO算法改进指南【初阶改进篇】：1.修改Soft-NMS
“365天深度学习训练营”报名进行中～
04-07 1588
非极大值抑制（Non-maximum Suppression, NMS）的作用简单说就是模型检测出了很多框，我应该留哪些。Soft-NMS是一种用于目标检测的算法，其主要目的是解决传统的非极大值抑制算法（NMS）可能会忽略掉重叠度较小但是有用的目标的问题。Soft-NMS是一种渐进式的降低重叠框得分的方法，而不是通过硬阈值直接将得分置为零。根据学者的观点，Soft-NMS可以通过一些调整参数来适应不同的场景，例如控制软化程度，以及调整阈值等。
YOLOv11 旋转目标检测改进：扩展检测头支持旋转框预测，适配遥感场景与多案例性能验证
最新发布
本博客聚焦 YOLOv11 全流程落地，涵盖架构优化、数据集处理、训练技巧与多场景部署，兼及国产数据库、Java 开发与 AI 模型应用，内容兼顾理论与工程实践，为开发者提供系统干货，助力高效提升技术能力。
09-16 1539
本文介绍了旋转目标检测的基础概念、YOLO11的核心架构及其在旋转目标检测中的改进。主要内容包括：1) 旋转目标检测的定义与意义，对比了传统水平框与旋转框的差异；2) 详细解析了旋转框的五参数、八点和OpenCV三种表示方法及其优缺点；3) 阐述了YOLO11的网络结构组成（Backbone、Neck和Head）及其核心思想；4) 重点探讨了YOLO11针对旋转目标检测的改进方案，特别是检测头设计的优化策略。文章通过对比分析和算法图解，展现了旋转目标检测的技术要点与实现路径，为工业级应用提供了实践指导。
YOLO综述：从YOLOV1到YOLOV8
qq_33287871的博客
04-08 3325
YOLO 已成为机器人、无人驾驶汽车和视频监控应用的中央实时目标检测系统。我们对 YOLO 的演变进行了全面分析，检查了从原始 YOLO 到 YOLOv8 的每次迭代中的创新和贡献。我们首先描述标准指标和后处理；然后，我们讨论了每个模型的网络架构和训练技巧的主要变化。最后，我们总结了 YOLO 发展的重要经验教训，并展望了其未来，强调了增强实时目标检测系统的潜在研究方向。
YOLOv11官方代码库与预训练模型下载：介绍Ultralytics官方GitHub及模型权重（yolov11n.pt, yolov11s.pt等）
本博客聚焦 YOLOv11 全流程落地，涵盖架构优化、数据集处理、训练技巧与多场景部署，兼及国产数据库、Java 开发与 AI 模型应用，内容兼顾理论与工程实践，为开发者提供系统干货，助力高效提升技术能力。
06-21 3311
本文介绍了Ultralytics官方GitHub仓库和YOLOv11预训练模型。Ultralytics仓库是YOLO系列算法的官方实现，包含YOLOv11最新代码、预训练模型、文档和工具。仓库采用清晰的代码结构和活跃的更新策略，支持全流程开发。YOLOv11提供了5种不同规模的模型变体(YOLOv11n/s/m/l/x)，在精度、速度和模型大小间权衡，适用于从移动设备到高精度检测等不同场景。各模型在COCO数据集上预训练，可直接使用或微调，满足多样化应用需求。
《论文阅读》PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation
未知丶的博客
11-03 2592
留个笔记自用 PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation 做什么 做了什么 怎么做 总结
Soft(er)-NMS：非极大值抑制算法的两个改进算法
lcczzu的专栏
01-17 1万+
论文连接： Soft-NMS – Improving Object Detection With One Line of Code Softer-NMS: Rethinking Bounding Box Regression for Accurate Object Detection 之前用了一篇博客详细说明了NMS的原理，Cython版加速实现和CUDA加速版实现，然而NMS还是存在一些问题...
YOLOV8改进：soft-nms、DIOU-nms、SIOU-nms、EIOU-nms、WIOU-nms
weixin_45303602的博客
10-11 7544
NMS（Non-Maximum Suppression，非极大值抑制）是一种常用的目标检测算法，用于抑制冗余的边界框，保留最具代表性的目标框。在目标检测任务中，通常会生成多个候选边界框（bounding box），每个边界框都对应着一个可能的目标。然而，由于图像中可能存在多个重叠的边界框，为了提取出最准确的目标框，需要使用NMS来进行筛选。首先，根据目标框的置信度（或者其他评分指标），按照降序排列所有的候选框。选择具有最高置信度的框，并将其添加到最终输出的结果列表中。
改进YOLOv5、YOLOv7系列：原创改进创新点 DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS改进
包括YOLOv5、YOLOv7、YOLOv8等模型改进
08-09 1万+
改进YOLOv5、YOLOv7系列：原创改进创新点 DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS改进
[YOLOv7/YOLOv5系列算法改进NO.19]非极大值抑制NMS算法改进DIoU NMS
m0_70388905的博客
07-12 6975
​前 言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。解决问题：YOLOv5默认采用NMS算法，主要是通过IoU来筛选出候选框。...
Yolov5/Yolov7优化：引入Soft-NMS，提升密集遮挡场景检测精度
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
06-20 2719
Soft-NMS解决yolov5自带的nms在密集遮挡场景会出现很大的问题，如出现漏检；Soft-NMS的思路：不要粗鲁地删除所有IOU大于阈值的框，而是降低其置信度。
如何使用Soft-NMS实现目标检测并提升准确率
weixin_34354945的博客
01-14 483
非极大值抑制(Non-Maximum suppression,NMS)是物体检测流程中重要的组成部分。它首先基于物体检测分数产生检测框，分数高的检测框M被选中，其他与被选中检测框又明显重叠的检测框被抑制。该过程不断递归的应用于其余检测框。根据算法设计，如果一个物体处于预设的重叠阈值之内，可能会导致检测不到该待检测物体。因此，我们提出了Soft-NMS算法，该连续函数对非最大检测框的检测分数进行衰减...
YOLOv1-YOLOv7全系列解析汇总
qq_41050642的博客
12-15 4764
目标检测Yolo算法是非常经典且应用广泛的算法，而在Yolo中，又分成了输入端、网络推理、输出层，每个部分都可以延伸出很多的优化方式，本文主要从Yolov1~v7各个版本的Backbone，Neck，Head，Tricks进行了讲解，希望对大家有帮助。
计算机视觉---YOLOv7
MzKyle的博客
06-17 1381
YOLOv7的讲解
目标检测算法之YOLO（YOLOv7）
weixin_52862386的博客
06-25 1万+
从现在的角度去看yolov7，可以发现其ELAN的方法是有效的，在后续的版本中也多次被用到或者改进。而如今标签分配更多的是使用TAL策略。yolov7的热度明显不如yolov8，很多人在v7上fine-tune自己的数据集的效果甚至不如v5。不过这也是现如今新算法的一个普遍问题，许多算法过度追求SOTA从而导致模型的标签只能在某些数据集上取得较好的效果，所以对于新的算法更多的是去了解新的思想。然后在此基础上去创新或者调参，从而获得更好地模型效果。
YOLOv7来临：论文解读附代码解析
热门推荐
chenxiangrong的博客
07-08 3万+
官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。 在5FPS到160FPS的范围内，无论是速度或是精度，YOLOv7都超过了目前已知的检测器，并且在GPU V100上进行测试， 精度为56.8% AP的模型可达到30 FPS（batch=1）以上的检测速率，与此同时，这是目前唯一一款在如此高精度下仍能超过3
评论
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