NMS（非极大值抑制）在NumPy、PyTorch和C++中的实现方法

已于 2025-05-18 08:53:15 修改
阅读量856 收藏 2
点赞数
分类专栏： 深度学习目标检测(YOLO)专栏 # 目标检测（理论） # 目标分割（理论） 文章标签： 计算机视觉 python 人工智能
于 2022-05-12 15:28:26 首次发布
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.csdn.net/a8039974/article/details/124732322
版权
这篇博客详细介绍了NMS（Non-Maximum Suppression）算法在目标检测中的应用，包括NMS的基本思想、numpy简洁实现、pytorch实现以及cpp实现。NMS通过消除高重叠度的边界框来减少检测结果中的冗余。文中还提供了Soft-NMS的实现，它对高重叠度的边界框不是直接剔除，而是降低其置信度。此外，博客中还给出了代码示例和验证过程，帮助读者更好地理解和应用NMS。

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

以下是NMS（非极大值抑制）在NumPy、PyTorch和C++中的实现方法及代码示例：

​一、NumPy实现​

​核心逻辑​

通过向量化计算IoU，逐轮筛选最高置信度框并抑制重叠框。

import numpy as np

def nms_numpy(dets, thresh):
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    scores = dets[:, 4]

    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    order = scores.argsort()[::-1]  # 按置信度降序排序[1,5](@ref)

    keep = []
    while order.size > 0:
        i = order[0]
        keep.append(i)
        # 计算当前框与其他框的IoU
        xx1 = np.maximum(x1[i], x1[order[1:]])
        yy1 = np.maximum(y1[i], y1[order[1:]])
        xx2 = np.minimum(x2[i], x2[order[1:]])
        yy2 
了解本专栏 订阅专栏 解锁全文
手撕NMS，numpy实现目标检测的常用模块NMS
qq_43088746的博客
07-27 1793
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...
yolo极大抑制_Pytorch从0开始实现YOLO V3指南 part4——置信度阈值和非极大值抑制...
weixin_35868133的博客
12-30 779
前一节我们实现了网络的前向传播。这一节我们对检测输出设置目标置信度阈值和进行非极大值抑制。必要条件：1.此系列教程的Part1到Part3。2.Pytorch的基本知识，包括如何使用nn.Module，nn.Sequential，torch.nn.parameter类构建常规的结构3.numpy的基础知识此前我们已经建立了一个模型，给定一张输入图片它能产生B*10674*85维的输出向量。B是批中...
numpy实现NMS
EMIvv的博客
01-08 1971
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()[::
使用numpy实现nms
页页读
08-21 715
""" 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 1450
""" 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
06-02 462
NMS
NMS-python-numpy 精简非极大值抑制代码
pontoon‘s zone
03-08 773
参考别人的代码，发现别人的代码比较繁琐，以下是精简后的NMS代码，代码可读性强，最后给出可视化图以及可视化代码（可视化是参考别人的代码） NMS过程： 1 将各组box按照score降序排列 2 从score最大值开始，置为当前box，保存idex，然后依次遍历后面的box，计算与当前box的IOU值，若大于阈值，则抑制，不会输出 3 完成一轮遍历后，继续选择下一个非抑制的box作为当前box，重复步骤2 4 返回没有被抑制的index即符合条件的box NMS在过程中需要计算iou，所以
Python实现对象检测中的非极大值抑制方法
非极大值抑制（Non-Maximum Suppression，NMS）是一种常用于目标检测中的算法，用于剔除多余的边界框（bounding boxes），保留最有可能包含目标物体的边界框。通过NMS算法，可以有效地将重叠的目标边界框合并为一个...
【5. 训练过程中的融合策略】非极大值抑制（NMS）在模型训练后的应用：去除冗余边界框
在图像处理和计算机视觉领域，非极大值抑制（NMS）是一种广泛应用的技术，尤其在目标检测和物体识别任务中发挥着关键作用。NMS的核心目的是解决在图像识别过程中同一个物体被检测到多次的问题，它通过消除冗余的检测...
非极大值抑制（NMS）优化大揭秘：提升目标检测的精确度
在探讨现代计算机视觉中目标检测技术时，非极大值抑制（NMS）是不可绕过的重要算法。非极大值抑制是一种常用的算法，主要用于在目标检测任务中，对预测框（bounding boxes）进行过滤，以去除冗余的重叠框。当一个...
用Numpy实现NMS（非极大值抑制）
elephantameler的博客
05-03 1773
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+12.  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[:, ...
nms（极大值抑制）numpy及torch实现
驽马十驾，功在不舍；锲而不舍，金石可镂。
06-15 2766
numpy 实现 import numpy as np def nms(dets, thresh): """Pure Python NMS baseline.""" # x1、y1、x2、y2、以及score赋值 x1 = dets[:, 0] # xmin y1 = dets[:, 1] # ymin x2 = dets[:, 2] # xmax y2 = dets[:, 3] # ymax scores = dets[:, 4] a
python numpy极简版代码实现IOU和NMS
xiangxianghehe的博客
03-03 465
【代码】python极简洁版本实现iou和nms。
NMS与Soft NMS算法解析以及numpy实现
qq_42025868的博客
12-16 2513
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。
NMS（非极大值抑制）的 Python 实现
qq_43799400的博客
08-30 3567
NMS（非极大值抑制）的 Python 实现
numpy实现目标检测中的IOU和NMS
xiangxianghehe的博客
02-21 4796
本文系转载，出处：http://www.manongjc.com/article/37951.html 交并比（Intersection-over-Union，IoU），目标检测中使用的一个概念，是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。 计算公式： 代码实现1： de...
NMS处理候选框（普通的NMS、numpy 、torch官方 和 GPU）
qq_44635614的博客
04-22 940
NMS处理候选框（普通的NMS、numpy 、torch官方 和 GPU）
multi_class_nms 原理与基于numpy实现
惊魂呓梦的博客
08-30 1052
multi_class_nms numpy 实现
NMS
weixin_39454351的博客
02-14 1154
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。...
D:\anacondaxixi\envs\pytorch\python.exe C:\Users\86183\Desktop\yolov5-master\yolov5-master\detect.py A module that was compiled using NumPy 1.x cannot be run in NumPy 2.0.2 as it may crash. To support both 1.x and 2.x versions of NumPy, modules must be
最新发布
03-20
### NumPy 版本兼容性解决方案 为了确保 Python 模块能够在不同版本的 NumPy（如 1.x 和 2.x）上正常运行，可以通过以下方法实现： #### 使用 `numpy` 的最低公共 API 集合 通过编写代码时仅依赖于跨多个 NumPy 版本均支持的功能集合来提高兼容性。例如，在某些情况下，新版本可能会引入新的参数或更改现有函数的行为。因此，应避免使用特定于某个高版本的功能。 对于 YOLOv5 中的 `detect.py` 文件，其主要涉及矩阵运算、张量操作以及一些高级功能（如 NMS）。这些部分可能受到 NumPy 更新的影响[^1]。以下是具体措施： 1. **动态导入并检测 NumPy 功能** 可以在程序启动阶段检查当前使用的 NumPy 版本，并基于此调整行为逻辑。 ```python import numpy as np def check_numpy_version(): version = tuple(map(int, np.__version__.split('.'))) if version >= (2, 0): # 如果是 NumPy 2.x 或更高版本 print("Using features from NumPy 2.x or higher.") elif version >= (1, 0): # 如果是 NumPy 1.x print("Falling back to compatible mode with NumPy 1.x.") else: raise ImportError("Unsupported NumPy version detected!") return version ``` 2. **条件化调用** 对于那些已知存在差异的操作，可以根据上述版本判断结果有条件地执行不同的路径。比如某些数组切片方式或者广播机制的变化： ```python def safe_operation(array): version = check_numpy_version() if version >= (2, 0): result = array @ array.T # 假设这是 NumPy 2.x 新增特性 else: result = np.dot(array, array.T) # 向下兼容写法 return result ``` 3. **捕获异常处理未知错误** 即便做了充分准备，仍可能存在未预料到的情况导致崩溃。此时可以在关键位置加入 try-except 结构捕捉潜在问题并提供替代方案。 ```python def robust_function(input_data): try: output = some_new_feature_in_2_x(input_data) except AttributeError: # 当尝试访问不存在的方法/属性时触发 fallback_to_old_method(input_data) return output ``` 4. **单元测试覆盖多场景验证** 构建全面的自动化测试套件分别针对目标平台上的各个重要组合进行验证是非常必要的。这有助于提前发现因环境切换带来的隐患[^2]。 综上所述，采取以上策略能够有效缓解由于底层库升级引发的应用层不稳定现象，从而保障像 YOLOv5 这样的复杂项目稳定高效运转。 ```python import numpy as np def example_compatible_code(x): """ A function demonstrating compatibility between different versions of NumPy. Args: x (np.ndarray): Input data. Returns: np.ndarray: Processed data based on the current NumPy version. """ version = tuple(map(int, np.__version__.split('.'))) if version >= (2, 0): processed = np.linalg.matrix_power(x, 3) # Example feature introduced in v2+ else: processed = np.matmul(np.matmul(x, x), x) return processed ```
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

打赏作者

浩瀚之水_csdn

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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