yolov8多batch推理，nms后处理

0. 背景

在高速公路监控视频场景下，图像分辨率大都是1920 * 1080或者2560 * 1440，远处的物体（车辆和行人等）都比较小。考虑需要对图像进行拆分，然后把拆分后的数据统一送入模型中，推理的结果然后再做nms，恢复到原始图片数据中。
这个过程中牵涉到两个方面的内容，一个是多batch推理，一个是nms。

1. 多batch

例如使用1920*1080分辨率的图片数据，把该分辨率的数据分为4份。
如果只是平均分车4份，当一个物体（比如车辆）正好处于图片中心时，则可能被拆分到4个区域，这样当后续这4个区域分别得到检测框后，无法对同一个拆分的物体进行完美覆盖。所以在拆分图片是，可用适当的大一些。

1.1 平均拆分

1.2 建议拆分

例如：1920*1080分辨率的图片，进行拆分

	h1 = int(1080 * 7 / 16) 
	h2 = int(1080 * 9 / 16) 
	w1 = int(1920 * 7 / 16)
	w2 = int(1920 * 9 / 16)
	
	img0 = frame[0:h_2, 0:w_2].copy()
    img1 = frame[0:h_2, w_1:w].copy()
    img2 = frame[h_1:h, 0:w_2].copy()
    img3 = frame[h_1:h, w_1:w].copy()

2. yolov8中多batch推理的方式

因为刚使用yolov8不久，推理过程中的数据加载逻辑重新梳理了一下，做个记录

1）推理调用入口
results = model(source=frame, save=False, conf=conf, iou=nms, save_txt=False,
 				show=False)
2）model定义
model = YOLO(MODEL)
3）YOLO类 (ultralytics/models/yolo/model.py)
from ultralytics import YOLO
class YOLO(Model):
4) Model基类
class Model(nn.Module):
(4.1)super().__init__()
  		self._load(model, task)
(4.2)def __call__(self, source=None, stream=False, **kwargs):
        """Calls the 'predict' function with given arguments to perform object detection."""
        return self.predict(source, stream, **kw