Suppression non maximale (NMS)

Comment fonctionne la suppression non maximale

L'algorithme NMS fonctionne par itération à travers les boîtes englobantes prédites et prend des décisions basées sur deux mesures clés : les scores de confiance et le seuil d'intersection sur l'union (Intersection over Union - IoU). Le processus peut être résumé comme suit :

1. Trier par confiance : Toutes les boîtes englobantes prédites sont d'abord triées par ordre décroissant en fonction de leur score de confiance. La boîte ayant le score le plus élevé est considérée comme la plus susceptible d'être correcte.
2. Sélectionner la meilleure boîte : La boîte englobante ayant le score de confiance le plus élevé est sélectionnée et toutes les autres boîtes ayant un indice d'utilité élevé par rapport à la boîte sélectionnée (c'est-à-dire qu'elles se chevauchent de manière significative) sont supprimées de la liste.
3. Répéter : le processus est répété avec les autres boîtes de délimitation jusqu'à ce que toutes les boîtes aient été sélectionnées ou supprimées.

Le seuil de l'indice d'intégrité est un hyperparamètre critique défini par l'utilisateur. Un seuil d'UI faible entraînera moins de détections, car il supprimera les boîtes qui se chevauchent, même faiblement, alors qu'un seuil élevé pourrait permettre plusieurs détections pour le même objet. Le réglage précis de ce seuil fait souvent partie de l'optimisation des performances d'un modèle sur un ensemble de données spécifique.

Applications de la suppression non maximale

Le NMS est un composant crucial dans de nombreuses applications d'intelligence artificielle du monde réel qui reposent sur une détection précise des objets.

• Véhicules autonomes: Dans les voitures autonomes, les systèmes de détection d'objets doivent identifier avec précision les piétons, les cyclistes et les autres véhicules à partir de diverses caméras et données LiDAR. Le NMS permet de s'assurer qu'un seul piéton n'est pas détecté comme étant plusieurs individus, fournissant ainsi une entrée propre aux systèmes de planification de la trajectoire et de prise de décision de la voiture. Cela permet d'éviter les comportements erratiques tels que les freinages inutiles causés par des détections redondantes. Pour plus de détails, voir la recherche sur la détection d'objets en 3D pour la conduite autonome.
• Imagerie médicale: Dans l'analyse d'images médicales, le NMS est utilisé pour affiner la détection d'anomalies telles que les tumeurs ou les lésions dans les tomographies ou les IRM. Par exemple, lorsqu'on utilise un modèle comme YOLO11 pour détecter des tumeurs, le NMS permet de s'assurer qu'une seule tumeur est localisée avec une seule boîte englobante, ce qui améliore la précision des diagnostics et de la planification des traitements, comme l'étudie la recherche en imagerie médicale.

Comparaison avec des techniques apparentées

Le NMS est spécifiquement une étape de post-traitement appliquée après qu' un modèle de détection d'objets a généré son ensemble initial de boîtes de délimitation candidates. Il ne doit pas être confondu avec l'architecture de détection proprement dite, comme la différence entre les détecteurs basés sur les ancres et les détecteurs sans ancres. Ces architectures définissent la manière dont les boîtes potentielles sont proposées, tandis que le NMS affine ces propositions.

Il est intéressant de noter que le coût de calcul et les goulets d'étranglement potentiels associés au NMS ont stimulé la recherche sur les détecteurs d'objets sans NMS. Des modèles comme YOLOv10 intègrent des mécanismes pendant l'apprentissage pour éviter de manière inhérente de prédire des boîtes redondantes, dans le but de réduire la latence de l'inférence et de permettre une détection véritablement de bout en bout. Cela contraste avec les approches traditionnelles comme Ultralytics YOLOv8 ou YOLOv5, où le NMS reste une partie standard et essentielle du pipeline d'inférence. Vous pouvez explorer les comparaisons techniques, telles que YOLOv10 vs. YOLOv8, dans notre documentation. Des variantes comme Soft-NMS offrent des approches alternatives qui diminuent les scores des boîtes qui se chevauchent au lieu de les éliminer complètement.

Intégration avec les outils Ultralytics

NMS est intégré de manière transparente dans l'écosystème Ultralytics. Les modèles YOLO d'Ultralytics appliquent automatiquement le SGN pendant la période de prédiction (predict) et validation (val) Les utilisateurs reçoivent ainsi des résultats de détection propres et précis par défaut. Les paramètres contrôlant le comportement du NMS (comme le seuil d'intégrité et le seuil de confiance) peuvent souvent être ajustés en fonction des besoins spécifiques de l'application.

Des plateformes comme Ultralytics HUB font abstraction de ces détails, permettant aux utilisateurs d'entraîner des modèles et de les déployer où le NMS est géré automatiquement dans le cadre du pipeline optimisé. Cette intégration garantit que les utilisateurs, quelle que soit leur expertise technique approfondie en matière de MLOps, peuvent bénéficier de résultats de pointe en matière de détection d'objets pour diverses tâches de vision par ordinateur. Les détails de l'implémentation spécifique dans le cadre d'Ultralytics peuvent être explorés dans la référence des utilitaires Ultralytics. Pour plus de définitions, consultez le glossaire principal d'Ultralytics.