对象检测网络中的NMS算法实现详解

最新推荐文章于 2025-07-20 12:25:54 发布
转载 最新推荐文章于 2025-07-20 12:25:54 发布 · 514 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：http://blog.51cto.com/gloomyfish/2356197
文章标签：

#人工智能 #数据结构与算法

NMS（非最大抑制）是目标检测中关键步骤，用于合并多个候选框到单一检测框。文章介绍NMS原理，包括贪心算法与最优解算法实现，讨论score与overlap阈值设置对检测精度的影响，并提出soft-NMS作为改进方案。

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

NMS定义

在一个典型的对象检测管道中，网络会在中间层输出很多候选框-BB(bounding box)。在这个阶段输出的BB大多数都会关联同一个检测对象，这个时候需要一个方法来合并这些BB成为一个对象检测框，除了FP之外。Non-maximum-suppression(NMS)通过空间距离结合并交比(IOU)完成聚类划分，对每个cluster只保留得分最高的BB，这种方法中文也被称着-非最大抑制。
对象检测网络中的NMS算法实现详解

算法实现

NMS有两种最常见的代码实现方法

  • 贪心算法Greedy
  • 最优解算法Optimal
    两种方法实现的伪代码如下：
    Greedy
    对象检测网络中的NMS算法实现详解
    Optimal
    对象检测网络中的NMS算法实现详解

两种算法提供了不同的解决思路：对象检测网络中的NMS算法实现详解

NMS超参数

两个重要的参数是score阈值与overlap阈值，任何低于score阈值的BB将会被拒绝，当两个BB的IOU大于给定的overlap阈值时候，两个检测框将会被聚类分割为同一个对象检测框。Overlap阈值需要平衡精度与抑制效果：

  • 当overlap阈值越大、proposals boxes被压制的就越少，结果就是导致大量的FP(False Positives)，进一步导致检测精度下降与丢失(原因在于对象与背景图像之间不平衡比率，导致FP增加数目远高于TP)
  • 当overlap阈值很小的时候，导致proposals boxes被压制的很厉害，导致recall大幅下降。

提升：

使用soft-NMS，在soft-NMS中score被乘以负向IOU，图示如下：对象检测网络中的NMS算法实现详解

下图是基于soft-NMS实现了对部分重叠对象的成功检测：
对象检测网络中的NMS算法实现详解

本文转自

https://medium.com/@yusuken/object-detction-1-nms-ed00d16fdcf9

由gloomyfish翻译，转载请注明出处！

转载于:https://blog.51cto.com/gloomyfish/2356197

【目标检测】NMS和soft-NMS详解及代码实现
Roaddd的博客
02-24 4983
1. NMS 1.1. NMS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，用于目标检测中，就是提取置信度高的目标检测框，而抑制置信度低的误检框。一般来说，用在当解析模型输出到目标框时，目标框会非常多，具体数量由anchor数量决定，其中有很多重复的框定位到同一个目标，NMS用来去除这些重复的框，获得真正的目标框 1.2. NMS流程  &nbsp
C/C++ NMS非极大值抑制算法详解及实现源码
希望我的博客，能帮上你解决学习中工作中所遇到的问题
04-30 7860
NMS（Non-maximum suppression）非极大值抑制算法是一种常用于图像处理和计算机视觉领域的算法，用于减少检测结果中的冗余信息，提取出最具代表性的目标。NMS算法的基本思想是，在一个局部窗口内，选择具有最大值的像素作为代表，抑制其他像素的值。
NMS算法介绍
01-03
NMS算法的介绍，用于IOU比较。MTCNN中使用了这个算法。
NMS算法实现
qq_37546267的博客
09-03 707
import numpy as np def nms(dets, thresh): # x1, y1, x2, y2, score x1, y1, x2, y2, scores = dets[:, 0], dets[:, 1], dets[:, 2], dets[:, 3], dets[:, 4] areas = (x2 - x1 + 1) * (y2 - y1 + 1) # 各个方框的面积 order = scores.argsort()[::-1] # 按置信度排序后的
非极大值抑制（Non-Maximum Suppression, NMS）算法概述
最新发布
qq_54708219的博客
07-20 1127
虽然 DETR 宣称无需 NMS，但一些后续的改进工作（如 Conditional DETR, DAB-DETR）发现，在推理时对输出应用一个轻量级的 NMS（使用非常宽松的阈值，如 0.8）有时能过滤掉少量极端重叠的冗余预测或低质量预测，带来轻微的性能提升。无论是基于锚框（Anchor-based）的方法（如 Faster R-CNN, SSD, YOLOv2-v4），还是基于关键点或中心点（Anchor-free）的方法（如 CornerNet, CenterNet），模型在预测时，
实现NMS算法
qq_40146935的博客
09-23 359
# python3 import numpy as np def py_nms(dets, thresh): """Pure Python NMS baseline.""" #x1、y1、x2、y2、以及score赋值 x1 = dets[:, 0] y1 = dets[:, 1] x2 = dets[:, 2] y2 = dets[:, 3] scores = dets[:, 4] # print(scores) #每一个候选框的
3D目标检测入门：PointPillars算法原理与实现
AI天才研究院
04-14 2176
3D目标检测是自动驾驶、机器人导航和增强现实等领域的核心技术。与2D目标检测相比，3D检测能够提供物体的空间位置、尺寸和朝向等更丰富的信息。本文旨在深入浅出地介绍PointPillars这一高效的3D目标检测算法，帮助读者理解其原理并掌握实现方法。本文首先介绍3D目标检测的背景和PointPillars的概况，然后深入解析算法原理和架构。接着通过数学建模和代码实现展示具体细节，最后讨论应用场景和未来发展方向。点云(Point Cloud)：一组三维空间中的点，通常由激光雷达(LiDAR)采集。
目标检测中的非极大值抑制(NMS)算法详解
在目标检测过程中，非极大值抑制(NMS)算法被广泛应用，用于去除冗余的检测框，从而提高检测结果的准确性和效率。 #### 1.1 研究背景 随着深度学习技术的发展，目标检测方法取得了长足的进步。然而，单纯的物体定位...
目标检测——非极大值抑制算法(NMS算法)
鬼刀
01-14 4136
1、非极大值抑制算法提出的目的          在目标检测中，为了消除多余的检测框，找到最佳的物体检测的位置。   2、 非极大值抑制（Non-Maximum Suppresion， NMS） 什么是非极大值抑制         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...
NMS 算法源码实现
Bruce_0712的博客
11-02 683
【链接】非极大值抑制算法(NMS)及python实现https://blog.youkuaiyun.com/Blateyang/article/details/79113030 【链接】NMS-非极大值抑制-Python实现https://blog.youkuaiyun.com/u011436429/article/details/80107042 简述 NMS 的原理 非极大值抑制(Non-Maximum Suppression, NMS), 顾名思义就是抑制那些不是极大值的元素, 可以理解为局部最大值搜索. 对于目.
非极大抑制(NMS)算法原理与Python实现
qq_43116030的博客
03-18 886
文章目录一、算法的主要思路二、伪代码三、Python实现3.1 交并比3.2 非极大抑制3.3 完整代码四、测试结果 在目标检测任务中，一个检测目标通常会产生多个检测框，为了合理缩减输出检测框数量，往往需要在目标检测模型输出前添加非极大抑制Non-Maximum Suppression, NMS。非极大抑制算法能够删除冗余的检测框，并优先保留可靠性最高的结果。 一、算法的主要思路   假设有以下输入det： [[x_center, y_center, width, height, prob, label
NMS算法和soft-NMS算法
南洲.的博客
08-28 4776
NMS算法 非极大值抑制（NMS）顾名思义就是抑制不是极大值的元素，搜索局部的极大值。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，而是用于在目标检测中用于提取分数最高的窗口的。 例如在行人检测中，滑动窗口经提取特征，经分类器分类识别后，每个窗口都会得到一个分数。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况。这时就需要...
目标检测中的NMS
dekiang
11-07 5789
1. NMS 非极大值抑制（Non-Maximum suppression，NMS）是目标检测算法中一个必要的后处理过程，目的是消除同一个物体上的冗余预测框。 NMS算法的主要思想是：先对网络预测出的所有边界框按照分数由高到低排序，然后选取分数最高的预测框作为target，分别计算target与其他剩下的预测框的重叠程度（用IOU来衡量），若重叠程度大于某一预先设定的阈值，则认为该预测框与target是同时负责预测同一个物体的，所以将该边界框删除，否则予以保留。接着在未被删除的预测框中选择分数最高的预测框
学习笔记--目标检测中的nms非极大值抑制
AWhiteDongDong的博客
06-27 300
以模型预测阶段为例，一张图片上的一个目标可能包括多个预测边界框，为了使结果更加简洁，我们可以移除相似的预测边界框。常用的方法叫作非极大值抑制（non-maximum suppression，NMS）。 原理： 对于一个预测边界框BB，模型会计算各个类别的预测概率。设其中最大的预测概率为p，该概率所对应的类别即B的预测类别。我们也将p称为预测边界框BB的置信度。 在同一图像上，我们将预测类别非背景的预测边界框按置信度从高到低排序，得到列表L。 从L中选取置信度最高的预测边界框B1作为基准，将所有与B1的交并
非极大值抑制(NMS)及其变种实现
xu_fu_yong的专栏
06-21 5717
文章目录非极大值抑制(NMS)及其变种实现NMS各大变种标准NMS局部感知NMS(LNMS)倾斜NMS(INMS)多边形NMS(PNMS)掩膜NMS(MNMS)总结Soft-NMSMotivationMethod 非极大值抑制(NMS)及其变种实现 NMS(Non Maximum Suppression)，又名非极大值抑制，是目标检测框架中的后处理模块，主要用于删除高度冗余的bbox，先用图示直观...
NMS算法源码之美
huhu123444的博客
06-16 513
NMS，非极大值抑制 图1 NMS算法流程图 Analysis 第8行中I[i] <= I[i+1]看似在寻找左值大于右值的元素，while循环结束，寻找结束。但还暗含I[i-1]<=I[i]这样一个条件。所以在while循环中和循环结束后都没有明写I[i-1] <= I[i]. Note:这里的极值和数学中极值有所不同， 此处只要满足I[i]大于单侧的值。 数学中的极值定义：若函数f(x)在x₀的一个邻域D有定义，且对D中除x₀的所有点，都有f(x)<（or >）f(x₀)
后处理方法NMS、Soft-NMS、 Softer-NMS、WBC、DIoUNMS 、NMS替代算法Confluence
yx868yx的博客
07-10 6073
1、 NMS 非最大抑制（NMS）主要用于基于深度学习的目标检测模型输出的后处理，从而去除冗余的检测框，获得正确的检测结果。 算法流程： 将网络输出框集合B按照置信度分数S从高到低的顺序排序，定义D为最终检测框集合，Nt 为 NMS 阈值。 当B不为空集时： ①m为置信度分数最高的框，将m放入D，并将它从B中删除 ②对于B中余下的每个框bi： 如果 iou(m,bi)≥Ntiou(m,bi)≥N_tiou(m,bi)≥Nt​，则将bi从B中删除返回检测结果D 通过分析可以发现NMS存在以下几个缺陷： ①稠密
Python实现Canny边缘检测算法详解
"本文主要介绍了如何...在Python中实现Canny边缘检测，可以使用OpenCV库，其提供了`cv2.Canny()`函数，只需要输入原始图像、低阈值和高阈值即可完成整个流程。通过调整参数，可以优化算法对特定图像的边缘检测效果。
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