ノンマキシマムサプレッション（NMS）

非最大抑制（NMS）は、コンピュータビジョン、特に物体検出タスクで使用される基本的な後処理アルゴリズムである。その主な目的は、冗長で重複するバウンディングボックスをフィルタリングすることによって検出モデルの出力をクリーンアップし、各オブジェクトが一度だけ識別されるようにすることです。Ultralytics YOLOのような物体検出モデルが予測を行う場合、同じ物体の周囲に複数の候補ボックスを生成することがよくあり、それぞれ信頼度スコアが異なります。NMSはインテリジェントに各オブジェクトに最適な1つのバウンディングボックスを選択し、非最大とみなされる他のすべてのオーバーラップするボックスを抑制、または排除します。

非最大限の抑制の仕組み

NMSアルゴリズムは、予測されたバウンディングボックスを反復し、2つの重要なメトリクス、すなわち信頼度スコアとIntersection over Union (IoU)しきい値に基づいて決定を下すことで動作する。プロセスは以下のステップに要約できる：

1. 信頼度で並べ替える：すべての予測されたバウンディングボックスは、まず信頼度スコアに基づいて降順にソートされます。最も高いスコアを持つボックスが最も正しい可能性が高いとみなされます。
2. 最適なボックスを選択する：信頼スコアが最も高いバウンディングボックスが選択され、この選択されたボックスとIoUが高い（つまり、大きく重なっている）他のボックスはすべてリストから削除される。
3. 繰り返し：すべてのボックスが選択または抑制されるまで、残りのバウンディングボックスでこのプロセスを繰り返す。

IoUしきい値は、ユーザー定義の重要なハイパーパラメータです。IoUしきい値を低く設定すると、わずかでも重なりがあるボックスが抑制されるため、検出数が少なくなり、一方、しきい値を高く設定すると、同じオブジェクトが複数検出される可能性があります。この閾値を微調整することは、特定のデータセットに対するモデルのパフォーマンスを最適化することの一部であることが多い。

非最大抑制の応用

NMSは、正確な物体検出に依存する多くの実世界のAIアプリケーションにおいて極めて重要なコンポーネントである。

• 自律走行車 自動運転車では、物体検出システムは、さまざまなカメラやLiDARの入力から歩行者、自転車、その他の車両を正確に識別する必要があります。NMSは、1人の歩行者が複数の個人として検出されないようにし、車の進路計画と意思決定システムにクリーンな入力を提供します。これにより、冗長な検出による不要なブレーキなどの不安定な挙動を防ぐことができる。詳細は、自律走行のための3D物体検出に関する研究に記載されています。
• 医療画像 医療画像解析では、NMSはCTやMRIスキャンにおける腫瘍や病変のような異常の検出を精緻化するために使用されます。例えば、YOLO11のようなモデルを使用して腫瘍を検出する場合、NMSは1つの腫瘍を1つのバウンディングボックスで確実に特定するのに役立ち、医療画像研究で研究されているように、診断や治療計画の精度を向上させます。

関連技術との比較

NMSは特に、物体検出モデルが候補バウンディングボックスの初期セットを生成した後に適用される後処理ステップである。これは、アンカーベースの検出器と アンカーフリーの検出器の違いのような、検出アーキテクチャそのものと混同してはならない。これらのアーキテクチャは、候補となるボックスがどのように提案されるかを定義し、NMSはこれらの提案を洗練させる。

興味深いことに、NMSに関連する計算コストと潜在的なボトルネックが、NMSを使わない物体検出器の研究に拍車をかけている。YOLOv10のようなモデルは、推論の待ち時間を短縮し、真にエンドツーエンドの検出を可能にすることを目的として、冗長なボックスを予測することを本質的に回避するメカニズムを学習中に統合する。これは、Ultralytics YOLOv8や YOLOv5のような、NMSが推論パイプラインの標準的かつ不可欠な部分である従来のアプローチとは対照的です。YOLOv10とYOLOv8のような技術的な比較は、我々のドキュメントで調べることができる。Soft-NMSのようなバリエーションは、オーバーラップするボックスのスコアを完全に除去するのではなく、減衰させる代替アプローチを提供します。

ウルトラリティクス・ツールとの統合

NMSはUltralyticsのエコシステムにシームレスに統合されています。UltralyticsのYOLOモデルは、NMSを自動的に適用します。 予測predict) そして バリデーションval) モードは、デフォルトでクリーンで正確な検知出力を確実にユーザーに提供する。NMSの動作を制御するパラメータ（IoUしきい値や信頼度しきい値など）は、特定のアプリケーションのニーズに合わせて調整できることが多い。

Ultralytics HUBのようなプラットフォームは、これらの詳細をさらに抽象化し、最適化されたパイプラインの一部としてNMSが自動的に処理されるモデルをトレーニングし、デプロイすることを可能にします。この統合により、ユーザーはMLOpsの深い技術的専門知識の有無に関わらず、様々なコンピュータビジョンタスクで最先端の物体検出結果の恩恵を受けることができます。Ultralyticsフレームワーク内の具体的な実装の詳細については、Ultralyticsユーティリティリファレンスを参照してください。その他の定義については、Ultralytics用語集をご覧ください。