【目标检测】NMS算法的理论讲解

最新推荐文章于 2025-02-18 22:15:19 发布
最新推荐文章于 2025-02-18 22:15:19 发布
阅读量883 收藏 4
点赞数 3
分类专栏： CV知识学习和论文阅读 目标检测 文章标签： 目标检测 算法 人工智能
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/weixin_44184852/article/details/137050109
版权
本文介绍了NMS（Non-MaximumSuppression）算法，用于处理多框检测中同一物体的冗余检测框。步骤包括：根据置信度和IOU阈值筛选预测框，按置信度排序，通过while循环逐个比较并移除IoU超过阈值的冗余框。

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

将NMS就必须先讲IOU，
在这里插入图片描述
IOU就是交并比，两个检测框的交集除以两个检测框的并集就是IOU

为什么要做NMS操作，因为要去除同一个物体的多的冗余检测框
在这里插入图片描述

那么NMS算法是如何做的呢？
在这里插入图片描述
以上是算法的流程图
下面讲解算法的流程
首先输入是预测框的集合B，置信度分数S，IoU的阈值 τ \tau τ，以及置信度的阈值T
①首先我们创建一个过滤后的检测框的集合F
将这个集合设为空集进行初始

最低0.47元/天 解锁文章
3D目标检测入门：PointPillars算法原理与实现
AI天才研究院
04-14 1827
3D目标检测是自动驾驶、机器人导航和增强现实等领域的核心技术。与2D目标检测相比，3D检测能够提供物体的空间位置、尺寸和朝向等更丰富的信息。本文旨在深入浅出地介绍PointPillars这一高效的3D目标检测算法，帮助读者理解其原理并掌握实现方法。本文首先介绍3D目标检测的背景和PointPillars的概况，然后深入解析算法原理和架构。接着通过数学建模和代码实现展示具体细节，最后讨论应用场景和未来发展方向。点云(Point Cloud)：一组三维空间中的点，通常由激光雷达(LiDAR)采集。
YOLOv1目标检测算法——通俗易懂的解析
chase
08-14 8694
YOLOV1目标检测算法——通俗易懂的解析
NMS算法
weixin_41822039的博客
02-09 1348
“”" NMS算法步骤： 根据候选框的类别分类概率做小到大大排序：A<B<C<D<E<F 先标记最大概率矩形框F是我们需要保留下来的 从最大概率矩形框F开始，分布判断A～E与F的重叠度iou（两框的交并比）是否大于某个设定的阈值，假设B、D与F的重叠度超过阈值，那么就扔掉B、D; 从剩余的矩形框A、C、E中，选择概率最大的E, 标记为要保留下来的，然后判读E与A、C.
NMS算法介绍
01-03
NMS算法的介绍，用于IOU比较。MTCNN中使用了这个算法。
NMS代码实现
qq_45489225的博客
12-10 670
-------------------------------------------------------- Fast R-CNN中的NMS实现 -------------------------------------------------------- import numpy as np def py_cpu_nms(dets, thresh): """Pure Python NMS baseline.""" x1 = dets[:, 0]
单阶段目标检测--NMS
lbr15660656263的博客
06-20 912
在目标检测的初始结果中，同一个物体，可能对应有多个边界框 （bounding box，bb），这些边界框通常相互重叠。非极大值抑制的大体思路就像其名一样，对于多个边界框，以置信度 （class score）最大的那个框为准，其他与之重合度高的框，则认为它们检测 的是同一个物体，将其他框除掉，也就是抑制掉。3. 剩下的框中，同样找置信度最大的框，为第2个框，抑制掉重合的框；4. 反复执行上述步骤，直到剩下最后一个框，此亦为目标框。1. 找到置信度最大的框，该框肯定是目标，得到第1个框；
NMS的计算与总结
qq_37535492的博客
10-25 1845
计算NMS和分类的Score是有必然的关系的，通过Score最大作为GroundTruth，之后将剩余的与这个GroundTruth进行IOU比较，当IOU>0.5的时候，我们认为这个面积框与GT重合度较高，很有可能是重复的框住了目标，所以我们只取GT，剩下的所有面积框IOU<0.5，我们认为重合度较低，但是我们不能舍去这个，因为这个很可能是同一个Classification中的另一个...
计算机视觉面试指南：目标检测算法深度解析与实践技巧
03-21
不仅深入讲解各算法的工作原理、网络架构细节和改进措施，还探讨了Anchor机制的作用，以及各种优化策略的应用，如NMS、数据增强和回归损失函数等。同时涵盖了人脸检测领域的特点和技术手段，并对比不同类型算法的...
### 【计算机视觉】YOLO目标检测算法详解：从基础概念到实际应用及未来展望
最新发布
04-12
内容概要：本文系统介绍了YOLO（You Only Look Once）目标检测算法的起源、技术基础、实现与训练方法、应用场景及未来发展方向。YOLO作为一种单阶段目标检测器，通过将检测任务转化为回归问题，显著提升了检测速度。...
目标检测：NMS
Wei_sx的博客
02-18 492
非极大值抑制（Non-Maximum Suppression，NMS）是一种用于目标检测的重要后处理技术，旨在去除冗余的检测框，留下最可能准确的边界框。在检测任务中，模型可能会产生多个重叠的边界框，这些框可能代表同一个物体，这时我们需要通过NMS来选择一个最优框，并抑制其他低置信度的重叠框。
NMS计算代码
沐雨金鳞
07-04 461
''' # INPUT：所有预测出的bounding box (bbx)信息（坐标和置信度confidence），　IOU阈值（大于该阈值的bbx将被移除） for object in all objects: (1) 获取当前目标类别下所有bbx的信息 (2) 将bbx按照confidence从高到低排序,并记录当前confidence最大的bbx (3) 计算最大confidence对应的bbx与剩下所有的bbx的IOU,移除所有大于IOU阈值的bbx (4) 对剩下的bbx，.
目标检测IOU和NMS详解
weixin_42958977的博客
07-18 998
目标检测中遇到两个比较重要的概念,一个是iou,一个是nms
目标检测基础（NMS）
victory_gx的博客
02-15 2598
目标检测基础（NMS） 什么是非最大值抑制 非最大值抑制是一种主要用于目标检测的技术，旨在从一组重叠框中选择最佳边界框。在下图中，非最大值抑制的目的是删除黄色和蓝色框，这样我们只剩下绿色框作为最终的预测结果。 计算NMS的步骤 为了了解什么是boundingbox，以及IOU的含义，我在前篇发表了关于IOU的文章。前篇文章中描述的术语将在本文中继续介绍。 我们首先描述NMS在这个特定示例中的工作过程，然后解释一个更通用的算法，将其扩展到不同的场景下。 1、术语定义 我们将使用的每个边界框的格式如下： b
经典NMS算法详解
熊猫小妖的AI世界
04-25 8691
简介 目标检测在使用了基于深度学习的端到端模型后效果斐然。目前，常用的目标检测算法，无论是One-stage的SSD系列算法、YOLO系列算法还是Two-stage的基于RCNN系列的算法，非极大值抑制都是其中必不可少的一个组件。在现有的基于anchor的目标检测算法中，都会产生数量巨大的候选矩形框，这些矩形框有很多是指向同一目标，因此就存在大量冗余的候选矩形框。非极大值抑制算法的目的正在于此，...
NMS流程及示例代码
xu.hyj
08-26 674
以某yolo模型输出的61440*6的数据为例，总共输出61440的bbox（实际只有3个目标），每个bbox的格式为[cx,cy,w,h,conf,cls_score]，分别代表bbox的4个值，置信度以及类别分类得分。]，所有的类别得到之和等于1。在该过程中有bbox2和bbox3和bbox1的IOU较高，被舍弃。在上面的过程中，标准bbox即绿色的bbox，在代码中会加入到结果result中，最后有3个bbox（bbox1、bbox3、bbox5）加入到result，其余的则被舍弃。
目标检测中NMS(non maximum suppression)
caip12999203000的博客
01-03 998
本文章分别由算法原理、算法实现步骤和代码展示三个部分组成。
NMS与Soft NMS算法笔记
Leia21的博客
03-20 381
转发文章NMS——非极大值抑制 https://blog.csdn.net/shuzfan/article/details/52711706 有些不清楚的地方，弄懂后后面补充~
阅读笔记8——NMS
python_plus的博客
02-24 668
本文为阅读《深度学习之Pytorch物体检测实战》的笔记
NMS原理大总结
qq_52302919的博客
06-13 3305
NMS即(non maximum suppression)即非极大抑制，顾名思义就是抑制不是极大值的元素，搜索局部的极大值。在最近几年常见的物体检测算法（包括rcnn、sppnet、fast-rcnn、faster-rcnn等）中，最终都会从一张图片中找出很多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。......
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

量子-Alex

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