YOLOV3非极大抑制（NMS）和Threshold实践

置顶 已于 2022-08-09 13:00:43 修改
阅读量4.8k 收藏 11
点赞数 8
分类专栏： 嵌入式系统 人工智能 数学 文章标签： 深度学习 计算机视觉 目标检测
于 2021-12-09 09:32:24 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/tugouxp/article/details/121806084
版权
关于NMS的理论分析介绍请参考文章：非极大值抑制（Non-Maximum Suppression，NMS）_tugouxp的专栏-CSDN博客结束https://blog.csdn.net/tugouxp/article/details/121725807这里主要针对YOLOV3后处理的实践，结合一份白嫖来的YOLOV3后处理代码，来感性的了解NMS是做什么的，怎么用。首先看一下这份代码,在后处理参数的初始化过程中，可以看到有对NMS参数的初始化，NMS一般设置在0.3-0.5之间，他是对IOU的.
摘要由CSDN通过智能技术生成

关于NMS的理论分析介绍请参考文章：

非极大值抑制（Non-Maximum Suppression，NMS）_tugouxp的专栏-CSDN博客结束https://blog.csdn.net/tugouxp/article/details/121725807这里主要针对YOLOV3后处理的实践，结合一份白嫖来的YOLOV3后处理代码，来感性的了解NMS是做什么的，怎么用。

首先看一下这份代码,在后处理参数的初始化过程中， 可以看到有对NMS参数的初始化，NMS一般设置在0.3-0.5之间，他是对IOU的一种计量，这里设置为0.45。

输入图片是416*416的，经过后处理后，得到的画框图像如下图所示:</

最低0.47元/天 解锁文章
papaofdoudou
关注
  • 8
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
非极大值抑制NMS.zip
04-27
非极大值抑制（Non-Maximum Suppression, 简称NMS）是计算机视觉领域中的一个重要技术，尤其是在目标检测任务中。它主要用于处理检测算法可能产生的过多重叠的边界框，以确保每个目标只被识别一次，从而提高检测结果...
非极大值抑制C++/C/Matlab版的源码
12-26
非极大值抑制（Non-Maximum Suppression, NMS）是一种在图像处理和计算机视觉领域广泛应用的技术，特别是在目标检测和图像分割中。它的主要目的是消除边缘检测或特征检测过程中的冗余峰值，只保留最显著的特征点，...
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 2446
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
YOLOv3：非极大值抑制抑制（NMS）算法和Soft-NMS算法原理以及实现
qq_36551226的博客
08-30 4255
文章目录引言NMSSoft-NMS 引言 做完K-means的改进之后，再试着从NMS入手。 NMS 首先看一下NMS算法的伪代码： 集合B表示候选框集合，集合S表示对应候选框得分集合，集合D表示最终结果集合； 在B中选出得分最高相应的候选框，记为M。在最终结果集合D中添加M并且在集合B中删除M； 计算B中其余候选框与M的交并比（IoU）值，将B中所有交并比值大于重叠阈值Nt的候选框删除； 重复步骤（2）和（3）直到集合B为空。 其中步骤（3）所用表达式如图所示： 其中，si表示候选框i的得分，当前
YOLOv10：去掉NMS，全面的效率-准确性设计
最新发布
Debroon
05-27 2307
双重标签分配策略和一致的匹配度量就像教练在训练中使用不同的训练方法，并在比赛中选择最佳策略，确保球员能够在关键时刻做出最佳决策，同时提高训练效率和比赛表现。双重标签分配策略通过结合一对多和一对一的优点，提高了YOLO模型在交通监控系统中的训练效果和推理效率，使得系统能够在实时性和准确性之间达到更好的平衡。通过一致的匹配度量，双重标签分配策略在训练阶段提供丰富的监督信号，提高了模型的学习效果，并在推理阶段避免了NMS，提高了系统的实时性能。好举一个交通监控系统中的具体例子，说明各个组件在这个过程中做什么。
yolov3后处理，包括网络输出、阈值过滤、多类NMS
random_repick的专栏
06-15 1247
grid_h, grid_w, IOU, NMS
yolov3 中nms详解
qq_1191265562的博客
12-13 3921
https://www.cnblogs.com/sdu20112013/p/11151453.html
【YOLO系列】搞懂YOLOv1 ~ YOLOv3 各个指标参数分析，一篇就够
零碎@流年絮语 的博客
11-02 4623
文章目录深度学习经典检测算法two-stage(两阶段)：Faster-rcnn Mask-Rcnn系列one-stage(单阶段)：YOLO系列指标分析map指标：精度：召回率：IOU 深度学习经典检测算法 two-stage(两阶段)：Faster-rcnn Mask-Rcnn系列 速度通常较慢(5FPS)，但是效果通常还是不错的! 非常实用的通用框架MaskRcnn。 one-stage(单阶段)：YOLO系列 最核心的优势：速度非常快，适合做实时检测任务! 缺点也是有的，效果通常情况下不会太
非极大抑制matlab代码-nms:纳米
06-02
**非极大值抑制（Non-Maximum-Suppression，NMS）**是抑制非极大值的元素，可以理解为局部最大搜索。NMS算法在计算机视觉中有广泛应用，特别是目标检测领域。本文将以目标检测举例，讨论NMS算法的实现过程。 TODO: ...
nms.zip_Score!_ZNM_nms_非最大抑制
09-24
在提供的压缩文件中，`nms.py`和`py_cpu_nms.py`可能是实现非最大抑制的Python代码。`nms.py`可能是通用的NMS实现，而`py_cpu_nms.py`可能是一个针对CPU优化的版本，旨在提高在没有GPU支持或者需要节省计算资源情况...
非极大值抑制NMS算法
10-31
非极大值抑制（Non-Maximum Suppression, NMS）是一种在目标检测领域广泛应用的算法，主要用于消除重复的检测结果，提升检测精度。在深度学习模型如Fast R-CNN和R-CNN等中，NMS是至关重要的后处理步骤。 在目标检测...
从YOLOV3到YOLOV4：算法原理及其实战
06-11
本课程在介绍计算机视觉深度学习基本概念基础上，详尽讲解YOLOV3和YOLOV4的算法模型原理，并基于实际项目中的无人零售商品数据集来手把手教大家如何将它训练成YOLOV3和V4模型，最后对训练出来的模型集进行性能评估，从而挑选出最优模型。课程主要分为九大章：1。课程内容介绍、特色及其答疑2。计算机视觉深度学习基本概念及其yolo1,2,3的模型结构讲解3。darknet框架介绍及其安装4。darknet训练和推理代码的梳理5。基于darknet框架训练一个无人零售商品数据集 上半部6。基于darknet框架训练一个无人零售商品数据集 下半部7。模型评估指标（训练过程的loss和iou曲线显示，PR，RECALL，AP以及MAP的计算）8。YOLOV4算法模型原理讲解9。YOLOV4算法模型的训练和测试
深度学习_NMS代码详解YOLOv3及Fast R-CNN例子
qq_35818865的博客
12-15 1154
先放Fast R-CNN的NMS代码 import numpy as np #这里的NMS是单类别的！多类别则只需要在外加一个for循环遍历每个种类即可 def py_cpu_nms(dets, thresh): """Pure Python NMS baseline.""" x1 = dets[:, 0] y1 = dets[:, 1] x2 = dets[:, 2] y2 = dets[:, 3] scores = dets[:, 4]# 取出框的坐标和s
YOLOV5目标检测-后处理NMS(非极大值抑制)
猫猫与橙子的博客
04-25 1万+
一.非极大抑制整个计算原理 二.yolov5中相应的代码 三.同类别框相互包裹，去除低置信度，减少误检代码实现 def non_max_suppression(prediction, conf_thres=0.25
opencv调用yolov3模型进行目标检测，以实例进行代码详解
月照银海似蛟龙的博客
05-21 1万+
weightsPath='E:\deep_learn\yolov3_modeFile\yolov3-voc_25000.weights'# 模型权重文件 configPath="E:\deep_learn\yolov3_modeFile\yolov3-voc.cfg"# 模型配置文件 labelsPath = "E:\\deep_learn\\yolov3_modeFile\\voc.names"...
深入浅出理解目标检测的非极大值抑制(NMS)
热门推荐
IT菜鸟
08-04 6万+
深入浅出理解目标检测的非极大值抑制(NMS)
【目标检测系列】非极大值抑制(NMS)的各类变体汇总
深度学习技术前沿
06-14 2161
关注上方“深度学习技术前沿”，选择“星标公众号”，技术干货，第一时间送达！【导读】前面已经先后为大家详细介绍过了目标检测领域的基础知识：【目标检测基础积累】常用的评价指标和目标检测算...
c++版的NMS（非极大抑制）实现
ltshan139的专栏
03-14 1万+
NMS(非极大抑制)是深度学习目标检测中常用的小算法，用来过滤掉同一个物体上的那些置信度较低的bbboxes，最后只剩下该目标检测框集中最大置信度的那个。 算法原理 说它是小算法的原因是其原理很简单。 1）先对输入检测框按置信度由高到低排序 2）挑选第一个检测框(即最高置信度，记为A）和其它检测框（记为B）进行iou计算 3）如果iou大于nmsThreshold， 那就将B清...
NMS技术总结（NMS原理、多类别NMS、NMS的缺陷、NMS的改进思路、各种NMS方法）
qq_29462849的博客
05-09 4467
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达作者丨仿佛若有光157来源丨CV技术指南前言本文介绍了NMS的应用场合、基本原理、多类别NMS方法和实践代码、NMS的缺陷和改进思路、介绍了改进NMS的几种常用方法、提供了其它不常用的方法的链接。本文很早以前发过，有个读者评论说没有介绍多类别NMS让他不满意，因此特来补充。顺便补充了NMS的缺点和改进思路。No...
yolov1非极大值抑制代码
04-04
以下是使用Python实现的YOLOv1非极大值抑制代码： ``` def non_max_suppression(boxes, scores, threshold): """ 非极大值抑制（NMS）算法 :param boxes: 边界框坐标，(N, 4)的numpy数组，N表示边界框数量，每个边界框用(xmin, ymin, xmax, ymax)表示 :param scores: 每个边界框的得分，(N,)的numpy数组 :param threshold: 重叠度阈值，float类型 :return: 保留的边界框的索引 """ # 获取边界框的面积 areas = (boxes[:, 2] - boxes[:, 0] + 1) * (boxes[:, 3] - boxes[:, 1] + 1) # 根据得分降序排列 order = scores.argsort()[::-1] keep = [] # 保留的边界框索引 while order.size > 0: i = order[0] # 得分最高的边界框 keep.append(i) # 计算当前边界框与其他边界框的重叠度 xx1 = np.maximum(boxes[i, 0], boxes[order[1:], 0]) yy1 = np.maximum(boxes[i, 1], boxes[order[1:], 1]) xx2 = np.minimum(boxes[i, 2], boxes[order[1:], 2]) yy2 = np.minimum(boxes[i, 3], boxes[order[1:], 3]) w = np.maximum(0.0, xx2 - xx1 + 1) h = np.maximum(0.0, yy2 - yy1 + 1) inter = w * h overlap = inter / (areas[i] + areas[order[1:]] - inter) # 保留重叠度小于阈值的边界框 inds = np.where(overlap <= threshold)[0] order = order[inds + 1] return keep ``` 该代码接受三个参数： - boxes: 边界框坐标，(N, 4)的numpy数组，N表示边界框数量，每个边界框用(xmin, ymin, xmax, ymax)表示。 - scores: 每个边界框的得分，(N,)的numpy数组。 - threshold: 重叠度阈值，float类型。 返回值为保留的边界框的索引。
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

papaofdoudou

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