Non-Maximum Suppression (NMS)

Non-Maximum Suppression (NMS) is a post-processing technique used in object detection to refine the raw predictions made by a model. When an object detection model analyzes an image, it often generates multiple overlapping bounding boxes for a single object, each with an associated confidence score. These redundant predictions occur because the model may detect the same feature at slightly different scales or positions. NMS filters this output by keeping only the most accurate bounding box for each object and discarding the others, ensuring that the final output is clean, precise, and free of duplicates.

Link to this sectionNon-Maximum Suppression Nasıl Çalışır#

NMS algoritması, bir aday sınırlayıcı kutu listesi ve bunlara karşılık gelen güven puanları üzerinde çalışır. Amaç, bir nesne için en iyi kutuyu seçmek ve onunla önemli ölçüde örtüşen diğer kutuları baskılamak (kaldırmak)tır; çünkü bunlar büyük olasılıkla aynı nesnenin kopya tespitleridir. Süreç genellikle şu adımları izler:

1. Filtreleme: Zayıf tahminleri hemen kaldırmak için güven puanları belirli bir eşiğin (örneğin 0,25) altında olan tüm sınırlayıcı kutuları ele.

2. Sıralama: Kalan kutuları güven puanlarına göre azalan düzende sırala.

3. Seçim: En yüksek güven puanına sahip kutuyu geçerli bir tespit olarak seç.

4. Karşılaştırma: Seçilen bu kutuyu, iki kutu arasındaki örtüşmeyi ölçen bir metrik olan Intersection over Union (IoU) kullanarak kalan diğer tüm kutularla karşılaştır.

5. Baskılama: Seçilen kutu ile başka bir kutu arasındaki IoU önceden tanımlanmış bir eşiği (örneğin 0,45) aşarsa, düşük puanlı kutu kopya olarak kabul edilir ve kaldırılır.

6. Yineleme: Henüz baskılanmamış veya seçilmemiş olan bir sonraki en yüksek puanlı kutu ile tüm kutular işlenene kadar süreci tekrarla.

Link to this sectionGerçek Dünya Uygulamaları#

NMS, hassasiyetin çok önemli olduğu ve kopya tespitlerin alt sistemlerin kafasını karıştırabileceği senaryolarda gereklidir.

• Otonom Sürüş: Kendi kendine giden araba sistemlerinde, kameralar yayaları, diğer araçları ve trafik işaretlerini algılar. Bir model, tek bir yaya için biraz farklı üç kutu tahmin edebilir. NMS, aracın planlama sisteminin o yaya için yalnızca bir koordinat almasını sağlar ve "hayalet" engellerin neden olduğu hatalı frenleme veya yol planlama hatalarını önler.
• Perakende Stok Yönetimi: Raftaki ürünleri saymak için bilgisayarlı görü kullanıldığında, öğeler genellikle birbirine yakın paketlenir. NMS olmadan, tek bir soda kutusu örtüşen tahminler nedeniyle iki kez sayılabilir ve bu da yanlış stok seviyelerine yol açar. NMS, envanter sayımının gerçeklikle eşleşmesini sağlamak için bu tespitleri iyileştirir.

Link to this sectionPyTorch ile NMS Uygulaması#

Pek çok modern framework NMS'i dahili olarak ele alsa da, uygulamayı anlamak parametreleri ayarlarken yardımcı olur. Aşağıdaki örnek, PyTorch kütüphanesini kullanarak NMS'in nasıl uygulanacağını göstermektedir:

import torch
import torchvision.ops as ops

# Example bounding boxes: [x1, y1, x2, y2]
boxes = torch.tensor(
    [
        [100, 100, 200, 200],  # Box A
        [105, 105, 195, 195],  # Box B (High overlap with A)
        [300, 300, 400, 400],  # Box C (Distinct object)
    ],
    dtype=torch.float32,
)

# Confidence scores for each box
scores = torch.tensor([0.9, 0.8, 0.95], dtype=torch.float32)

# Apply NMS with an IoU threshold of 0.5
# Boxes with IoU > 0.5 relative to the highest scoring box are suppressed
keep_indices = ops.nms(boxes, scores, iou_threshold=0.5)

print(f"Indices to keep: {keep_indices.tolist()}")
# Output will likely be [2, 0] corresponding to Box C (0.95) and Box A (0.9),
# while Box B (0.8) is suppressed due to overlap with A.

Link to this sectionNMS vs. Uçtan Uca Tespit#

Geleneksel olarak NMS, ana sinir ağının dışında yer alan ve çıkarım gecikmesini artıran zorunlu bir "temizlik" adımı olmuştur. Ancak alan, uçtan uca mimarilere doğru gelişmektedir.

• Standart NMS: IoU eşiğinin manuel olarak ayarlanmasını gerektiren sezgisel bir süreçtir. Eşik çok düşükse, birbirine yakın geçerli nesneler kaçırılabilir (düşük geri çağırma). Çok yüksekse, kopyalar kalır (düşük hassasiyet).
• Uçtan Uca Modeller: YOLO26 gibi yeni nesil modeller, doğal olarak uçtan uca olacak şekilde tasarlanmıştır. Eğitim sırasında nesne başına tam olarak bir kutu tahmin etmeyi öğrenerek NMS sürecini etkili bir şekilde içselleştirirler. Bu, harici işlem sonrası ihtiyacını ortadan kaldırır ve Ultralytics Platform üzerinde daha hızlı çıkarım hızları ve daha basit dağıtım hatları sağlar.

Link to this sectionİlgili Kavramlar#

• Soft-NMS: Örtüşen kutuların kesin olarak kaldırılmadığı, ancak güven puanlarının düşürüldüğü bir varyasyondur. Bu, (kalabalıktaki insanlar gibi) kısmen örtüşen nesnelerin, puanları düşüşten sonra bile yeterince yüksek kalırsa hala tespit edilmesine olanak tanır.
• Çapa Kutuları: Nesne boyutunu tahmin etmek için birçok dedektör tarafından kullanılan önceden tanımlanmış kutu şekilleridir. NMS, bu çapalardan iyileştirilen nihai tahminlere uygulanır.
• Intersection over Union (IoU): NMS tarafından iki kutunun ne kadar örtüştüğünü belirlemek için kullanılan ve baskılama için karar eşiği görevi gören matematiksel formüldür.