NMS及IOU原理讲解和代码解析

已于 2022-06-20 15:43:28 修改
阅读量1.4k 收藏 16
点赞数 3
分类专栏： 计算机视觉 文章标签： 计算机视觉 人工智能
于 2022-06-20 15:41:53 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/qq_38375203/article/details/125373958
版权
非极大值抑制（NMS）在计算机视觉任务如人脸检测中用于去除冗余框，通过迭代过程选择得分最高且不重叠的框。IOU（Intersection Over Union）衡量预测框与真实框的重合度，是评估目标检测性能的关键指标。本文介绍了NMS的基本步骤和IOU的计算公式，并提供了相关代码示例。

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

NMS

NMS（non maximum suppression），中文名非极大值抑制，在很多计算机视觉任务中都有广泛应用，如：边缘检测、目标检测等。这里主要以人脸检测中的应用为例，来说明NMS。

以下图为例，由于滑动窗口，同一个人可能有好几个框(每一个框都带有一个分类器得分)。而我们的目标是一个人只保留一个最优的框：于是我们就要用到非极大值抑制，来抑制那些冗余的框： 抑制的过程是一个迭代-遍历-消除的过程。主要分为以下三步：

（1）将所有框的得分排序，选中最高分及其对应的框：

这里写图片描述

（2）遍历其余所有的框，如果和当前最高分框的重叠面积(IOU)大于一定阈值，我们就将框删除。

这里写图片描述

（3）从未处理的框中继续选一个得分最高的，重复上述过程。

这里写图片描述<

最低0.47元/天 解锁文章
【目标检测】NMS和soft-NMS详解及代码实现
Roaddd的博客
02-24 4920
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
YOLOv5基础知识入门（7）— NMS（非极大值抑制）原理解析
突然好想你
08-17 3461
NMS是指非极大值抑制（non maximum suppression），它是一种常用于物体检测任务的算法，本节课就给大家介绍一下非极大值抑制的概念、原理及其算法实现！
NMS(非极大值抑制)算法 -- 理论、代码
_天涯__的博客
01-04 1151
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
NMS源码解析
zhuikefeng的博客
12-14 4583
一、IOU的概念 二、NMS的算法原理 选取该类box中scores最大的一个，记为box_best，并保留它 计算box_best与其余的box的IOU 如果其IOU>threshold了，就舍弃这个box（因为可能这两个box表示同一目标，保留分数高的哪一个） 从最后剩余的boxes中，再找出最大scores的哪一个，如此循环往复，直到没有box为止 三、源码解析 # --------------------------- # 非极大值抑制（N..
手把手带你理解 Non-Maximum Suppression（NMS）与 IOU 算法（Python实现）
qq_43069203的博客
04-05 999
非极大值抑制（NMS，Non-Maximum Suppression）就是：从多个候选框中，优先选择得分最高的框，并将与它重叠过大的其他框全部去除，重复此操作，直到只剩下相互独立的框。
NMS代码详解
comea23的博客
04-05 1136
dets = np.array([ [204, 102, 358, 250, 0.5], [257, 118, 380, 250, 0.7], [280, 135, 400, 250, 0.6], [255, 118, 360, 235, 0.7]]) thresh = ...
NMS，SoftNMS以及ROIPooling，ROIAlign
qq_41131535的博客
05-08 667
一 NMS 参考代码，此为Pytorch版本： def NMS(boxs, scores, nms_threshold): # input boxes(N*4), scores(N,) x1 = boxs[:,0] y1 = boxs[:,1] x2 = boxs[:,2] y2 = boxs[:,3] area = (boxs[:,2]-boxs[...
IOU，NMS
infinita_LV的博客
05-25 822
1. IOU(交并比) 1、2均引用此文章内容：物体检测中常用的几个概念迁移学习、IOU、NMS理解 物体检测需要定位出物体的bounding box，就像上面的图片一样，我们不仅要定位出车辆的bounding box 我们还要识别出bounding box 里面的物体就是车辆。对于bounding box的定位精度，有一个很重要的概念，因为我们算法不可能百分百跟人工标注的数据完全匹配，因...
GiantPandaCV-Faster R-CNN原理和代码讲解1
08-03
**Faster R-CNN原理和代码讲解** **一、整体框架** Faster R-CNN是一种目标检测算法，它在R-CNN（Region-based Convolutional Neural Networks）的基础上进行了改进，提高了速度和性能。整体框架包括以下四个关键...
yolov5模型原理及代码讲解1.0
Gallagher_Awake的博客
06-16 3058
对yolov5模型的理解
NMS与iou的关系
m0_55515326的博客
08-11 253
NMS（非极大值抑制）是目标检测的后处理过程，因为在检测一个特定目标时会出现的预测框不止一个，同时预测框上还伴随得分（理解为判断它是某个类别的概率有多大），我理解它是置信度；我们需要通过NMS这个过程将多余的预测框消除掉，在某个局部区域内找到得分最高（也就是最佳的）预测框作为目标检测框，而这个局部区域正是通过IOU（交并比）确定的，那么可以把iou(交并比)理解为目标检测NMS的一个依据(关键部分)。以上是我个人的理解，不清楚有没有表达明白，更不知道是否准确；请各位多多指正批评。
IOU与NMS
qq_41896151的博客
03-14 1257
1.IoU 的全称为交并比（Intersection over Union）IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。 2.NMS（non maximum suppression），中文名为非极大值抑制。经典NMS最初第一次应用到目标检测中是在RCNN算法中，其实现严格按照搜索局部极大值，抑制非极大值元素的思想来实现的。 （1）设定目标框的置信度阈值，常用的阈值是0.5左右 （2）根据置信度降序排列候选框列表 （3）选取置信度最高的框A添加到输出列表，并将其从候选框列表中删除
NMS和IOU代码解读（可以直接使用）
我的博客有点东西
07-29 2055
NMS和IOU是目标检测常用技术。在anchor-based的检测任务中，训练时需要IOU，测试时需要NMS，而NMS内部就要有IOU。 本文先分析IOU的原理，公式，以及代码实验，最后在讲解NMS的代码。 IOU（detection） 现在有两个框A和B。A=【ax1, ay1, ax2, ay2] 】，B=【bx1, by1, bx2, by2】。 接下来想统计A和B的交集面积， A自己的面积和B自己的面积。 三个待求值里面最关键的就是怎么求交集面积。 假设两种情况。 A和B是相交的，存在交集。这个时候
目标检测中的IoU和NMS
Polaris47
04-18 1251
IoU概念： 目标检测的评价体系中，有一个参数叫做IoU，简单来讲就是模型产生的目标窗口和原来标记窗口的交并比： 非极大值抑制NMS： 目标检测算法会从一张图片中找出n个可能是物体的矩形框，然后为每个矩形框为做类别分类概率： 就像上面的图片一样，定位一个车辆，最后算法就找出了一堆的方框，我们需要判别哪些矩形框是没用的。非极大值抑制的方法是：先假设有6个矩...
面试问题总结——编程题关于IOU、NMS
boss-dog
09-20 1971
编程题一.关于IOU1.1 IOU定义1.2 IOU的优缺点1.3 IOU的实现代码二.关于NMS三.关于Kmeans 一.关于IOU 1.1 IOU定义 Intersection over Union (IOU) 是目标检测领域中一个重要的评价值。 上图中框出了ground truth box和predict box。   IOU 通过计算预测的边框和真实的边框之间的Intersection Area I（相交的面积） 和 Union Area U（总的面积） 的比值来获得，公式如下：        
[学习记录]NMS与IOU的理解
qq_45603919的博客
05-23 2187
文章目录【学习记录】NMS与IOU的理解1.IOU（交并比）2.NMS(非极大值抑制)3.YOLO中的NMS3.YOLO中的NMS 【学习记录】NMS与IOU的理解 在目标检测类的论文中我们常常会看到NMS与IOU，这也说明这是NMS和IOU是目标检测中很基础也是很重要的概念。 1.IOU（交并比） 我们假设两个集合A和B，交并比顾名思义就是两个集合的交集与并集的比值。我们将A,B分别看成两个实体框的话，集合即它们的面积。 IOU=A∩BA∪B IOU=\frac{A \cap B}{A \cup B}
浅析YOLOv8超参数调节之NMS和IoU
SoNg_ch_的博客
01-08 7192
NMS 算法的大致过程：每轮选取置信度最大的 Bounding Box（简称 BBox） 接着关注所有剩下的 BBox 中与选取的 BBox 有着高重叠（IoU）的，它们将在这一轮被抑制。因此，在使用 NMS 时，IoU 阈值的确定是比较重要的，但一开始我们可以选定 default 值（论文使用的值）进行尝试。Step2：对剩下的 BBox 和已经选取的 BBox 计算 IOU，淘汰（抑制） IOU 大于设定阈值的 BBox（在图例中这些淘汰的 BBox 的置信度被设定为0）。
目标检测学习1——iou计算与非极大值抑制NMS
小学僧的博客
09-06 1547
IOU计算和目标检测中非极大值抑制算法(NMS)
YOLO 原理
最新发布
04-29
最后，确保回答结构清晰，分步骤解析原理，可能包括输入处理、网格划分、预测输出、损失函数等部分，并辅以公式和代码示例，增强可理解性。同时，验证LaTeX语法是否正确，避免格式错误。</think>### YOLO算法原理及...
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