Non-Maximum Suppression（NMS、非最大値抑制）

Non-Maximum Suppression（NMS）は、特に物体検出タスクにおいて、コンピュータビジョンで用いられる基本的な後処理アルゴリズムです。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除去し、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、検出モデルの出力を整理することです。Ultralytics YOLOのような物体検出モデルは、予測を行う際に、同じオブジェクトに対してそれぞれ異なる信頼度スコアを持つ複数の候補ボックスを生成することがよくあります。NMSは、各オブジェクトに対して最適なバウンディングボックスをインテリジェントに選択し、最大値ではないと判断された他の重複するボックスを抑制または除去します。

Non-Maximum Suppression（非最大抑制）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処理し、信頼度スコアとIntersection over Union（IoU）の閾値という2つの主要なメトリックに基づいて決定を下すことによって動作します。プロセスは次の手順で要約できます。

1. 信頼度でソート: 予測されたすべてのバウンディングボックスは、最初に信頼度スコアに基づいて降順にソートされます。最も高いスコアのボックスが、最も正しい可能性が高いと見なされます。
2. 最適なボックスの選択: 最も高い信頼性スコアを持つバウンディングボックスが選択され、選択されたボックスと高いIoUを持つ（つまり、大きく重なり合う）他のすべてのボックスがリストから削除されます。
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プロセスが繰り返されます。

IoU閾値は、ユーザーが定義する重要なハイパーパラメータです。IoU閾値が低いと、わずかな重なりしかないボックスも抑制されるため、検出数が少なくなります。一方、閾値が高いと、同じオブジェクトに対して複数の検出が許可される可能性があります。この閾値の微調整は、特定のデータセットでモデルのパフォーマンスを最適化する上で重要な要素となることがよくあります。

Non-Maximum Suppressionの応用

NMSは、正確な物体検出に依存する多くの実際のAIアプリケーションにおいて重要なコンポーネントです。

• 自動運転車: 自動運転車では、物体検出システムは、さまざまなカメラおよびLiDAR入力から歩行者、自転車、および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、車の経路計画および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、冗長な検出によって引き起こされる不必要なブレーキのような異常な動作を防ぎます。詳細については、自動運転のための3D物体検出に関する研究をご覧ください。
• 医用画像：医用画像解析では、NMSはCTまたはMRIスキャンにおける腫瘍や病変のような異常の検出を洗練するために使用されます。例えば、腫瘍を検出するためにYOLO11を使用する場合、NMSは単一の腫瘍が1つのバウンディングボックスで正確に特定されるようにし、医用画像研究で探求されているように、診断と治療計画の精度を向上させるのに役立ちます。

関連技術との比較

NMSは特に、オブジェクト検出モデルが候補となる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す。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など、検出アーキテクチャ自体と混同しないでください。これらのアーキテクチャは、潜在的な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します。

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により、NMSフリーの物体検出器の研究が促進されています。YOLOv10のようなモデルは、トレーニング中に冗長なボックスの予測を本質的に回避するメカニズムを統合し、推論レイテンシを削減し、真のエンドツーエンド検出を可能にすることを目指しています。これは、Ultralytics YOLOv8やYOLOv5のような従来のアプローチとは対照的で、NMSは推論パイプラインの標準的かつ不可欠な部分のままです。YOLOv10 vs. YOLOv8のような技術的な比較は、ドキュメントで確認できます。Soft-NMSのようなバリアントは、重複するボックスを完全に削除する代わりに、スコアを減衰させる代替アプローチを提供します。

Ultralytics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 YOLOモデルは、
実行中にNMSを自動的に適用します。 予測（predict) そして 検証（val) モードにより、ユーザーはデフォルトでクリーンで正確な検出結果を得ることができます。NMSの動作を制御するパラメータ（IoU閾値や信頼度閾値など）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ます。

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、ユーザーがモデルをトレーニングし、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場所へデプロイできるようにします。この統合により、MLOpsに関する深い技術的専門知識がなくても、さまざまなコンピュータビジョンタスクで最先端の物体検出の結果を得ることができます。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ご覧ください。その他の定義については、メインのUltralytics用語集をご覧ください。