用Numpy实现NMS（非极大值抑制）

最新推荐文章于 2025-06-19 17:25:52 发布
最新推荐文章于 2025-06-19 17:25:52 发布
阅读量1.7k 收藏
点赞数
CC 4.0 BY-SA版权
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/elephantameler/article/details/80186339
本文探讨了非极大值抑制(NMS)算法中两个关键步骤的原因：计算边界框面积时加1的操作，以及使用np.where时仅考虑第一维度的原因。通过具体示例解释了这些操作背后的逻辑。

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

有两个问题没有思考的很好，望各位可以留言讨论！
1.  为啥算面积时候要+1
2.  为啥np.where只用第一维[0]
import numpy as np
def nms(dets, prob_threshold):
  x1 = dets[:, 0]
  y1 = dets[:, 1]
  x2 = dets[:, 2]
  y2 = dets[:, 3]
  scores = dets[:, 4]

  areas = (x2 - x1 + 1) * (y2 - y1 + 1)

  # 获得由大到小的分数索引
  score_index = np.argsort(scores)[::-1]

  keep = []

  while score_index > 0:
      max_index = score_index[0]
      # 最大的肯定是需要的框
      keep.append(max_index)
      xx1 = np.maximum(x1[max_index], x1[score_index[1:]])
      yy1 = np.maximum(y1[max_index], y1[score_index[1:]])
      xx2 = np.maximum(x2[max_index], x2[score_index[1:]])
      yy2 = np.maximum(y2[max_index], y2[score_index[1:]])

      width = np.maximum(0.0, xx2 - xx1 + 1)
      height = np.maximum(0.0, yy2 - yy1 + 1)

      union = width * height

      iou = union / (areas[max_index] + areas[score_index[1:]] - union)
      ids = np.where(iou < prob_threshold)[0]
      # 以为算iou的时候没把第一个参考框索引考虑进来，所以这里都要+1
      score_index = score_index[ids+1]

elephantameler
关注
NMS（非极大值抑制）在NumPy、PyTorch和C++中的实现方法
浩瀚之水的专栏
05-12 916
非极大值抑制（NMS）是一种用于目标检测任务中过滤重叠框的算法。本文介绍了NMS在NumPy、PyTorch和C++中的实现方法。NumPy实现适合无GPU环境下的原型开发，代码简洁但效率较低。PyTorch实现支持GPU加速，适用于深度学习模型集成，且在多类别NMS中通过类别偏移避免跨类别抑制。C++实现包括依赖OpenCV的版本和无依赖的纯C++版本，分别适合嵌入式或高性能场景以及资源受限环境。选择实现方式时需考虑适用场景、性能和依赖等因素，同时注意IoU阈值的选择和多类别处理。
【目标检测】非极大值抑制（Non-Maximum Suppression, NMS）步骤与实现
SimpleLearning
07-25 704
计算两个边界框的交集坐标# 计算交集面积# 计算每个边界框的面积# 计算并集面积# 计算IoU= 0 else 0return ioupicked = [] # 存储被选择的边界框索引indexes = np.argsort(scores)[::-1] # 按分数降序排列索引picked.append(current) # 选择当前最高分的边界框indexes = indexes[1:] # 移除当前最高分的索引。
手撕NMS，numpy实现目标检测的常用模块NMS
qq_43088746的博客
07-27 1811
目标检测领域的一个重要组件，NMS，非极大值抑制，用于在检测领域剔除同一目标的多重框标注，图示效果如下: NMS过后 图片为网络上查找的，侵删。 首先，来了解一下NMS，NMS非极大值抑制，即一个目标有多个框的时候，我们进行筛选，选取最好的框，筛选掉那些重复标注的框。那么它是怎么筛选的呢？ 首先，一个目标在检测过程中，往往会有许多的预测框出现，这些框的score不同，坐标位置也不同。NMS首先...
numpy实现NMS
EMIvv的博客
01-08 1989
import numpy as np import matplotlib.pyplot as plt def py_cpu_nms(dets, thresh): x1 = dets[:, 0] y1 = dets[:, 1] x2 = dets[:, 2] y2 = dets[:, 3] scores = dets[:, 4] areas = (x2-x1+1)*(y2-y1+1) res = [] index = scores.argsort()[::
【目标检测】非极大值抑制(NMS)的原理与实现
最新发布
qq_38614074的博客
06-19 914
NMS作为目标检测中不可或缺的后处理步骤，其重要性不言而喻。NMS的核心原理和工作流程NMS的Python实现方法NMS的优化技巧和变体实际应用中的参数调整策略关键思考：当两个目标非常接近时，传统NMS可能导致其中一个被错误抑制。如何解决这个问题？答案使用Soft-NMS替代传统NMS降低IOU阈值（如0.3）增加位置权重（如DIoU-NMS）调整模型锚框设计。
使用numpy实现nms
页页读
08-21 734
""" 基于numpy 实现的 非极大值抑制 NMS """ import numpy as np def py_cpu_nms(dets, thresh): """ nms :param dets: ndarray [x1,y1,x2,y2,score] :param thresh: int :return: list[index] """ x1 = dets[:, 0] y1 = dets[:, 1] x2 = dets[:,
使用numpy实现NMS
leo_fighting
08-17 1459
""" 基于numpy 实现的 非极大值抑制 NMS """ import numpy as np def py_cpu_nms(dets, thresh): """ nms :param dets: ndarray [x1,y1,x2,y2,score] :param thresh: int :return: list[index] """ ...
python numpy 实现非极大值抑制 NMS
Abandon_first的博客
06-02 478
NMS
NMS-非极大值抑制-Python实现
03-19
非极大值抑制（Non-Maximum Suppression，简称NMS）是计算机视觉领域中的一个关键算法，主要用于目标检测。在图像识别系统中，比如YOLO、SSD等现代目标检测框架，模型可能会产生大量的边界框预测，其中很多可能是...
NMS(非极大值抑制)算法 -- 理论、代码
_天涯__的博客
01-04 1171
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
深度学习之非极大值抑制NMS介绍
yueguang8的博客
06-06 913
非极大值抑制（Non-Maximum Suppression，NMS）是深度学习中一种常用的目标检测算法，用于在检测结果中去除冗余的边界框。 在目标检测任务中，通常会使用候选框（bounding boxes）来表示可能包含目标物体的区域。这些候选框是通过目标检测模型生成的，每个候选框都会伴随一个置信度分数，表示该候选框包含目标物体的概率。当候选框的数量较多时，简单地选择置信度最高的候选框可能会导致冗余和重叠的检测结果。NMS算法通过判断候选框之间的重叠程度，去除那些与已选择的候选框高度重叠
非极大值抑制_python实现
09-16
A brief introduction of NMS for object detection。非极大值抑制_python实现
NMS与Soft NMS算法解析以及numpy实现
qq_42025868的博客
12-16 2567
NMS全称为Non Maximum Suppression，中文意思是非极大值抑制，字面意思就是不是极大值的元素被抑制掉，其实就是筛选出局部最大值得到最优解。NMS算法被广泛运用于目标检测算法处理网络输出的边界框。Soft NMS是对NMS的优化算法，它在不增加额外参数的情况下且只需要对NMS算法进行简单的改动就能提高AP。
非极大值抑制算法(NMS)的python实现
夏小悠的博客
08-09 5639
本篇博客主要是介绍非极大值抑制`NMS`算法的`python`实现，并根据实例检测实现效果。
NMS（非极大值抑制）的 Python 实现
qq_43799400的博客
08-30 3728
NMS（非极大值抑制）的 Python 实现
python实现NMS
knocky的博客
03-26 1186
python实现NMS 什么叫NMS NMS即non maximum suppression即非极大抑制。专业的自己看链接，我就只用一句话说我的理解。 就是在多个目标框里，每个目标选择唯一最好的框（红色）。 注意：最好的这个红框可能不是最完美的，但是是可选择的里面最好的。 如何选择最好的，这里就会产生一个新的概念，叫做IoU：交并比(Intersection-over-Union,IoU) 参考博...
Python 实现NMS
liumingchun13的博客
02-28 398
参考： https://blog.youkuaiyun.com/littlehaes/article/details/83537968 https://www.cnblogs.com/mengxiangtiankongfenwailan/p/11392416.html 在物体检测的过程中,模型会生成大量的候选框,通过NMS(Non-Maximum Suppression,非极大值抑制)可以筛选出最...
NMS高效实现（Python）
飞翔的荷兰人
05-27 2812
文章目录01 什么是非极大值抑制02 非极大值抑制基本实现 01 什么是非极大值抑制 Github: 非极大值抑制实现 非极大值抑制，简称为NMS算法，虽然在不同应用中实现的具体方式不太一样，但是思想还是一样的。下面我们看一张非极大值抑制的效果图： 左图是人脸检测的候选框结果，每个边界框都有一个置信度得分(Confidence Score)，如果不用非极大值抑制，那么就会有多个候选框出现。而...
soft-nms numpy-python实现软非极大值抑制精简代码
pontoon‘s zone
03-08 4626
soft-nms相对于nms整个改进只需要使用绿色虚线表示的Soft-NMS替换红色虚线表示的NMS。B集合是检测到的所有建议框，S集合是各个建议框得分（分数是指建议框包含物体的可能性大小），Nt是指手动设置的阈值。M为当前得分最高框，bi 为待处理框。 相比其他网站的代码，此soft-nms代码实现非常精短，先给出iou的代码： def iou(bbox,gt): #lt是两个框中间重叠框的最左边和最上边的坐标，rb是两个框中间重叠框的最右边和最下边的坐标 lt = np..
nms非极大值抑制论文呢
03-26
### 非极大值抑制（Non-Maximum Suppression, NMS）的相关研究 非极大值抑制是一种广泛应用于目标检测领域中的技术，用于消除冗余的边界框并保留最可能的目标位置。以下是基于提供的引用以及相关背景知识整理的内容...
评论 2
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