非极大值抑制

def py_cpu_nms(dets, thresh):
    """Pure Python NMS baseline."""
    #x1、y1、x2、y2、为上下两个顶点的坐标，score为置信度该边框内部存在目标的概率
    #非极大值抑制也就是保留存在目标的边框，并将于该最大概率边框重合度较高的其余边框消除
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    scores = dets[:, 4]

    #每一个检测框的面积统计每个边框的面积，前后坐标相减为距离 + 1为宽度，坐标为（2,2）和（4,4）的面积是9
    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    
    #按照score置信度降序排序，自动将存在目标的边框概率较大的拍到上面，可以行以此训练，每个具有较大概率的边框为标准计算剩余边框和的重合度IOU值，重合度大的从列表中删除，依次遍历
    order = scores.argsort()[::-1]

    keep = [] #保留的结果框集合
    while order.size > 0:
        i = order[0]  #每次while循环豆浆第一个保留，然后计算剩余和其的IOU值，因为第一个置信度较大，上面已经排过顺序
        keep.append(i) #保留该类剩余box中得分最高的一个
        #得到相交区域,左上及右下
        xx1 = np.maximum(x1[i], x1[order[1:]]) # 计算两个左顶点的最大值，和两个右顶点的最小值
        yy1 = np.maximum(y1[i], y1[order[1:]])
        xx2 = np.minimum(x2[i], x2[order[1:]])
        yy2 = np.minimum(y2[i], y2[order[1:]])

        #计算相交的面积,不重叠时面积为0  结果为正则相交。结果为负则不相交 赋值为0
        w = np.maximum(0.0, xx2 - xx1 + 1)  
        h = np.maximum(0.0, yy2 - yy1 + 1)
        inter = w * h
        #计算IoU：重叠面积 /（面积1+面积2-重叠面积）
        ovr = inter / (areas[i] + areas[order[1:]] - inter)
        #保留IoU小于阈值的box
        inds = np.where(ovr <= thresh)[0]
        order = order[inds + 1] #inds计算的是ovr数组的序列，order数组比其多一个 可以看上面xx1 xx2 yy1 yy2 的计算       
    return keep