yolov10如何去掉非极大值抑制(NMS)的？

传统一对多分配机制无法避免的nms

最近发布的yolov10在推理过程中消除了非极大值抑制机制对部署推理延迟的不利影响，我们来看看他是怎么做的吧。

首先说一说非极大值抑制NMS，我们先来看一张图

图中有黄绿蓝三个框，但是只有一只检测主体猫，也就是一个GT(ground truth)，这就是一对多的标签分配方式，一个物体对应了多个预测框。很显然我们需要去除其中的两个重叠框。

假设三个框对应的置信度分别为:黄色0.7，蓝色0.8，绿色0.9

nms第一步：根据置信度排序，设置置信度阈值为0.75，则将低于阈值的黄色框删除，剩下两个框

完成第一步后，已经将低置信度的框去除了，剩下的继续进行iou重叠筛选

第二步，设置候选框， 算法将剩余所有框中置信度最大的作为候选框(注意，一张图中剩余的框也可能包含不同类的框，本文仅以单个物体为例)，图中候选框为绿色

第三步，设置一个iou阈值，然后计算候选框与其他框的iou，得到其他框相对于候选框的iou值，若某个框iou值大于设定的阈值，则大概率这个框跟候选框描述的是同一个物体，我们移除所有大于阈值的框，图中需要移除的是蓝色

 

第四步，对于多个目标的结果，第三步去除重叠框之后，还剩下其他目标框，我们继续重复选择候选框，去除重叠框的步骤，直到处理完所有候选框(没有其他目标框了)，算法结束

以上就是nms的过程，去除低置信度的框--去除重叠框，这个算法最大的问题就是去除重叠框时，容易对真实重叠的物体造成误判。一般这个过程由cpu完成，所以造成推理延迟。

 

YOLOV10的双分配机制

说完了nms，我们来看看yolov10如何避开这个机制吧。

yolov10引入了一种双分配策略。

我们上面提到之前的yolo采用的一对多的分配策略，一个真实标签对应多个预测框，这种方式训练效果好但是无法避免nms机制

实际上还有一种分配策略，一对一分配，一个真实标签对应一个预测框，但是这种分配方式监督信号弱，容易导致收敛慢并且效果差

双分配策略就是在训练的时候构建两个预测头，同时使用两种分配策略进行训练，使用一致匹配度量来降低两个预测头的监督信号差距，使得一对一分配预测头也获得充足的监督信号

在推理的时候仅使用一对一分配预测头来进行推理，这样来避免nms机制，同时效果又比较好