비최대 억제NMS

비 최대 억제NMS는 컴퓨터 비전에서 사용되는 중요한 후처리 기술입니다. 컴퓨터 비전에서 사용되는 중요한 후처리 기술입니다. 결과를 개선하는 데 사용되는 중요한 후처리 기법입니다. 모델이 이미지를 분석할 때 이미지를 분석할 때, 종종 하나의 객체에 대해 여러 개의 겹치는 하나의 객체에 대해 여러 개의 겹치는 경계 상자를 예측합니다. 확률을 예측합니다. NMS 이러한 중복 예측을 필터링하여 모든 고유 객체가 정확히 식별되도록 보장합니다. 가장 정확한 박스만 유지하고 나머지는 폐기합니다. 이 프로세스는 실제 애플리케이션에서 높은 실제 애플리케이션에서 높은 정밀도를 달성하는 데 필수적입니다. 동일한 대상의 '고스트' 중복을 감지하는 것을 방지하는 데 필수적입니다.

억제 메커니즘

NMS 알고리즘은 딥 러닝 모델의 원시 출력을 정리하는 필터로 작동합니다. 필터로 작동합니다. 이 알고리즘은 두 가지 주요 지표에 크게 의존합니다. 두 가지 주요 메트릭에 크게 의존합니다. 모델이 상자에 개체가 포함되어 있다고 확신하는 정도와 교차점 오버 유니온(IoU), 즉 두 상자 사이의 공간적 중첩을 측정합니다.

NMS 표준 욕심 알고리즘은 일반적으로 다음과 같습니다. 다음 단계를 따릅니다:

1. 임계값: 신뢰도 점수가 특정 임계값 미만인 모든 후보 상자는 즉시 폐기하여 약한 예측을 제거합니다.
2. 정렬: 나머지 상자는 신뢰도 점수를 기준으로 내림차순으로 정렬됩니다.
3. 선택: 가장 높은 점수를 받은 상자가 유효한 탐지로 선택됩니다.
4. 억제: 알고리즘은 선택한 상자를 나머지 모든 상자와 비교합니다. 선택한 상자와 다른 상자 사이의 IoU 가 정의된 한계(예: 0.5)를 초과하면 점수가 낮은 상자는 동일한 객체를 나타내는 것으로 간주되어 (삭제)되므로 동일한 개체를 나타내는 것으로 간주됩니다.
5. 반복: 이 프로세스는 모든 후보가 처리될 때까지 다음으로 점수가 높은 상자에 대해 반복됩니다. 처리될 때까지 반복합니다.

NMS 같은 고급 변형은 겹치는 상자의 감지 점수를 감소시켜 겹치는 박스를 완전히 제거하지 않고 감지 점수를 감소시키므로, 오브젝트가 자연스럽게 서로를 가리는 서로 자연스럽게 가려지는 복잡한 장면에서 유용할 수 있습니다.

실제 애플리케이션

NMS 인공지능에 의존하는 시스템에서 어디에나 존재합니다. 시각적 데이터를 해석하는 시각적 데이터를 해석합니다. 특히 안전이 중요하고 고정밀도가 요구되는 환경에서 그 역할이 매우 중요합니다.

• 자동차 분야의 AI: 자율주행차의 자율주행차의 인식 스택에서 다른 차량과 보행자를 정확하게 감지하는 것은 타협할 수 없는 문제입니다. NMS 없으면 차량 인식 시스템은 다음과 같은 이유로 인해 한 명의 보행자를 서너 명의 사람으로 detect 수 있습니다. 예측할 수 있습니다. 이는 모션 계획 알고리즘에 모션 계획 알고리즘에 혼란을 일으켜 불규칙한 제동이나 또는 조향이 불규칙해질 수 있습니다. NMS 다음과 같은 기술에서 볼 수 있듯이 장애물을 깔끔하고 단일하게 표현합니다. NVIDIA DRIVE.
• 의료 이미지 분석: AI를 사용하여 엑스레이와 MRI 스캔에서 종양이나 병변을 식별할 때는 정밀도가 가장 중요합니다. 의료 시스템의 AI는 NMS 사용하여 다음을 보장합니다. 하나의 이상 징후가 여러 개의 경고를 트리거하지 않도록 하여 영상의학과 전문의가 뚜렷한 발견에 집중할 수 있도록 도와줍니다. 신뢰성 탐지는 오탐지를 줄여 의료 영상 연구에서 설명하는 진단 워크플로우를 간소화합니다. 의료 영상 연구.

Ultralytics YOLONMS

에서 Ultralytics YOLO11 프레임워크에서 NMS 예측 파이프라인에 직접 통합됩니다. 사용자는 IoU 임계값과 같은 NMS 매개 변수를 쉽게 조정하여 중복 제거와 밀접한 간격의 개체 분리 사이의 중복을 제거하는 것과 간격이 가까운 개체를 분리하는 것 사이의 균형을 쉽게 조정할 수 있습니다.

다음 코드 스니펫은 추론을 실행하고 다음을 사용하여 NMS 설정을 사용자 지정하는 방법을 보여줍니다. ultralytics 패키지입니다:

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image
# 'iou=0.5' sets the NMS threshold; boxes with >50% overlap are suppressed
# 'conf=0.25' filters out boxes with low confidence before NMS runs
results = model.predict("https://ultralytics.com/images/bus.jpg", iou=0.5, conf=0.25)

# Display the number of detected objects after NMS
print(f"Objects detected: {len(results[0].boxes)}")

관련 개념과의 비교

NMS 탐지 파이프라인에서 볼 수 있는 다른 용어와 구별하는 것이 중요합니다.

• NMS 앵커 박스 비교: 앵커는 모델 처리 중에 예측의 시작점으로 사용되는 미리 정의된 모양입니다. NMS 모델이 최종 예측을 출력한 후에 발생하는 후처리 단계입니다.
• NMS 신뢰도 임계값 비교: A 신뢰 임계값은 개별 확률 점수만을 기준으로 상자를 필터링합니다. NMS 다음을 기준으로 상자를 필터링합니다. 다른 상자와의 관계(겹침)를 기준으로 상자를 필터링합니다.
• NMS 엔드투엔드 탐지 비교: 기존 NMS 순차적이기 때문에 추론 대기 시간이 추가됩니다. 프로세스이기 때문에 추론 대기 시간이 추가됩니다. YOLO26과 같이 향후 출시될 아키텍처는 네이티브 엔드투엔드 설계로 나아가고 있습니다. 이러한 모델은 신경망에서 직접 고유한 객체의 최종 집합을 출력하는 것을 목표로 합니다. 신경망에서 직접 출력하는 것을 목표로 하며, 잠재적으로 미래 세대의 머신 러닝 모델에서 머신 러닝 모델.

이러한 모델을 효율적으로 배포하려는 개발자에게는 NMS 실시간 추론에 미치는 영향을 이해하는 것이 실시간 추론에 미치는 영향을 이해하는 것이 중요합니다. 다음과 같은 도구 TensorRT 와 같은 도구에는 모델 배포 중 이 단계를 가속화하기 위한 단계를 가속화하기 위해 최적화된 NMS 플러그인이 포함되어 있습니다.