【目标检测NMS总结】nms技术原理＋代码（可以直接运行，也可以根据自己的情况修改）

NMS原理

以目标检测为例：

• 目标检测推理过程中会产生很多检测框（目标检测推理过程中会产生很多检测框（A,B,C,D,E,F等），其中很多检测框都是检测同一个目标，但最终每个目标只需要一个检测框。
• NMS选择那个得分最高的检测框（假设是C），再将C与剩余框计算相应的IOU值，当IOU值超过所设定的阈值（普遍设置为0.5），即对超过阈值的框进行抑制，抑制的做法是将检测框的得分设置为0，
• 如此一轮过后，在剩下检测框中继续寻找得分最高的，再抑制与之IOU超过阈值的框，直到最后会保留几乎没有重叠的框。
• 这样基本可以做到每个目标只剩下一个检测框。

NMS代码模板

形式是 x1 y1 x2 y2 conf label顺序 坐标是恢复成原图数值的(可以看下面的例子)

import numpy as np

def yolo_nms_multi_class(predictions, iou_threshold=0.45, conf_threshold=0.25):
    """
    """
    predictions = np.array(predictions)
    
    # 过滤掉置信度低于阈值的框 x1 y1 x2 y2 conf label顺序 坐标是恢复成原图数值的
    keep_indices = predictions[:, 4].astype(float) > conf_threshold
    predictions = predictions[keep_indices]

    if len(predictions) == 0:
        return []

    # 获取唯一类别标签（字符串形式）
    unique_classes = np.unique(predictions[:, 5])

    nms_results = []

    # 对每个类别分别进行 NMS
    for cls in unique_classes:
        cls_predictions = predictions[predictions[:, 5] == cls]
        boxes = cls_predictions[:, :4].astype(float)
        scores = cls_predictions[:, 4].astype(float)

        x1 = boxes