Maksimum Olmayan BastırmaNMS)

Maksimal Olmayan BastırmaNMS), aşağıdakilerde kullanılan hayati bir son işlem tekniğidir sonuçlarını iyileştirmek için bilgisayarla görme nesne alg ılama algoritmaları. Bir model analiz ettiğinde bir görüntü, sıklıkla birden fazla örtüşen tek bir nesne için sınırlayıcı kutular, her biri bir farklı olasılık. NMS , her benzersiz nesnenin tam olarak tanımlanmasını sağlamak için bu gereksiz tahminleri filtreler bir kez, sadece en doğru kutuyu tutup diğerlerini atarak. Bu süreç, yüksek verimliliğe ulaşmak için gereklidir. gerçek dünya uygulamalarında hassasiyet, sistemlerin önlenmesi Aynı hedefin "hayalet" kopyalarını tespit etmekten.

Bastırma Mekanizmaları

NMS algoritması bir filtrenin ham çıktısını temizleyen bir filtre olarak çalışır. derin öğrenme modeli. Büyük ölçüde iki temel unsura dayanır metrikler: güven puanı, bu puan modelin bir kutunun bir nesne içerdiği ve Birlik Üzerinden Kesişim (IoU) iki kutu arasındaki uzamsal örtüşmeyi ölçer.

NMS için standart açgözlü algoritma genellikle aşağıdaki gibidir bu adımlar:

1. Eşikleme: Güven puanı belirli bir eşiğin altında olan tüm aday kutular zayıf tahminleri ortadan kaldırmak için hemen atılır.
2. Sıralama: Kalan kutular güven puanlarına göre azalan sırada sıralanır.
3. Seçim: En yüksek puana sahip kutu geçerli bir tespit olarak seçilir.
4. Bastırma: Algoritma, seçilen kutuyu kalan diğer tüm kutularla karşılaştırır. Eğer IoU Seçilen kutu ile başka bir kutu arasındaki fark tanımlanmış bir sınırı (örn. 0,5) aşarsa, düşük puanlı kutu bastırılır (silinmiştir) çünkü aynı nesneyi temsil ettiği varsayılmaktadır.
5. Yineleme: Bu süreç, tüm adaylar değerlendirilene kadar bir sonraki en yüksek puanlı kutu için tekrarlanır. işlendi.

NMS gibi gelişmiş varyasyonlar, aşağıdakilerin tespit puanlarını bozar üst üste binen kutuları tamamen ortadan kaldırmak yerine, nesnelerin bulunduğu kalabalık sahnelerde faydalı olabilir doğal olarak birbirini kapatır.

Gerçek Dünya Uygulamaları

NMS , aşağıdakilere dayanan sistemlerde her yerde bulunur yorumlamak için yapay zeka görsel veri. Rolü özellikle güvenlik açısından kritik ve yüksek hassasiyetli ortamlarda kritiktir.

• Otomotivde Yapay Zeka: İçinde sürücüsüz araçların algı yığınları, diğer araçları ve yayaları doğru bir şekilde tespit etmek tartışılmazdır. NMS olmadan, bir araç algılama sistemi tek bir yayayı aşağıdaki nedenlerden dolayı üç veya dört ayrı kişi olarak detect örtüşen tahminler. Bu kafaları karıştırabilir hareket planlama algoritmaları, hatalı frenlemeye yol açar veya yönlendirme. NMS , aşağıdaki gibi teknolojilerde görüldüğü gibi engellerin temiz ve tekil bir şekilde temsil edilmesini sağlar NVIDIA SÜRÜCÜ.
• Tıbbi Görüntü Analizi: X-ışınları ve MRI taramalarında tümörleri veya lezyonları tanımlamak için yapay zeka kullanırken, hassasiyet çok önemlidir. Sağlık sistemlerinde yapay zeka, aşağıdakileri sağlamak için NMS kullanır tek bir anomali birden fazla uyarıyı tetiklemez ve radyologların farklı bulgulara odaklanmasına yardımcı olur. Güvenilir tespiti yanlış pozitifleri azaltarak, aşağıda açıklanan teşhis iş akışını kolaylaştırır tıbbi görüntüleme araştırmaları.

Ultralytics YOLO'da NMS

İçinde Ultralytics YOLO11 çerçeve, NMS entegre edilmiştir doğrudan tahmin hattının içine yerleştirilebilir. Kullanıcılar, dengelemek için IoU eşiği gibi NMS parametrelerini kolayca ayarlayabilir kopyaları kaldırmak ve yakın aralıklı nesneleri ayırmak arasında.

Aşağıdaki kod parçacığı, çıkarımın nasıl çalıştırılacağını ve NMS ayarlarının nasıl özelleştirileceğini göstermektedir ultralytics Paket:

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)}")

İlgili Kavramlarla Karşılaştırma

NMS 'yi tespit boru hatlarında bulunan diğer terimlerden ayırmak önemlidir.

• NMS ve Ankraj Kutuları: Ankrajlar Modelin işlenmesi sırasında tahminler için başlangıç noktası olarak kullanılan önceden tanımlanmış şekiller. NMS bir Model nihai tahminlerini verdikten sonra gerçekleşen işlem sonrası adım.
• NMS ve Güven Eşiği: A güven eşiği kutuları yalnızca bireysel olasılık puanlarına göre filtreler. NMS kutuları aşağıdakilere göre filtreler diğer kutularla olan ilişkileri (örtüşmeleri).
• NMS ve Uçtan Uca Algılama: Geleneksel NMS ekler sıralı olduğu için çıkarım gecikmesi süreci. YOLO26 gibi gelecek mimariler doğal olarak uçtan uca tasarımlara doğru ilerliyor. Bu modeller, benzersiz nesnelerin nihai kümesini doğrudan sinir ağı, potansiyel olarak harici NMS algoritmalarını gelecek nesillerde kullanılmaz hale getirir. makine öğrenimi modelleri.

Bu modelleri verimli bir şekilde dağıtmak isteyen geliştiriciler için NMS ' NMS aşağıdakiler üzerindeki etkisini anlamak gerçek zamanlı çıkarım çok önemlidir. Gibi araçlar TensorRT genellikle bunu hızlandırmak için optimize edilmiş NMS eklentileri içerir model dağıtımı sırasında adım.