非最大抑制（NMS）

非最大值抑制（NMS）是计算机视觉中的一种基本后处理算法，尤其是在物体检测任务中。其主要目的是通过过滤多余和重叠的边界框来清理检测模型的输出，确保每个物体只被识别一次。当一个物体检测模型（如Ultralytics YOLO）进行预测时，往往会在同一物体周围生成多个候选框，每个候选框的置信度都不同。NMS 会智能地为每个物体选择一个最佳边界框，并抑制或消除所有其他被认为非最佳的重叠框。

非最大抑制是如何工作的

NMS 算法的运行方式是迭代预测的边界框，并根据两个关键指标做出决策：置信度分数和交集大于联合（IoU）阈值。整个过程可概括为以下几个步骤：

1. 按置信度排序：所有预测的边界框首先根据置信度得分从高到低排序。得分最高的方框被认为最有可能是正确的。
2. 选择最佳边界框：选择置信度得分最高的边界框，并从列表中删除与所选边界框具有较高 IoU 的所有其他边界框（即它们有明显重叠）。
3. 重复：对剩余的边界框重复该过程，直到选择或抑制了所有的边界框。

IoU 阈值是一个关键的、由用户定义的超参数。低 IoU 阈值会导致较少的检测，因为它会抑制哪怕只有很小重叠的方框，而高阈值则可能允许对同一物体进行多次检测。微调该阈值通常是优化模型在特定数据集上的性能的一部分。

非最大抑制的应用

在许多依赖于精确物体检测的真实世界人工智能应用中，NMS 是一个至关重要的组件。

• 自动驾驶汽车：在自动驾驶汽车中，物体检测系统必须从各种摄像头和激光雷达输入中准确识别行人、骑自行车者和其他车辆。NMS 可确保不会将单个行人检测为多个行人，从而为汽车的路径规划和决策系统提供准确的输入。这就避免了因冗余检测而导致不必要的制动等不稳定行为。更多详情，请参阅自动驾驶三维物体检测研究。
• 医学成像：在医学图像分析中，NMS 可用于完善 CT 或 MRI 扫描中肿瘤或病变等异常情况的检测。例如，在使用YOLO11 等模型检测肿瘤时，NMS 可帮助确保用一个边界框精确定位单个肿瘤，从而提高诊断和治疗计划的准确性，这也是医学影像研究中的一项探索。

与相关技术的比较

NMS 特别是在物体检测模型生成初始候选边界框集后进行的后处理步骤。它不应与检测架构本身相混淆，例如基于锚点的检测器和无锚点的检测器之间的区别。这些架构定义了如何提出潜在的边界框，而 NMS 则对这些提议进行完善。

有趣的是，与 NMS 相关的计算成本和潜在瓶颈激发了对无 NMS 物体检测器的研究。YOLOv10等模型在训练过程中整合了各种机制，从本质上避免预测多余的方块，旨在减少推理延迟，实现真正的端到端检测。这与Ultralytics YOLOv8或YOLOv5 等传统方法形成了鲜明对比，在这些方法中，NMS 仍然是推理管道的标准和重要组成部分。您可以在我们的文档中探索技术比较，例如YOLOv10 与 YOLOv8 的比较。像Soft-NMS这样的变体提供了另一种方法，即衰减重叠方框的分数，而不是完全消除它们。

与 Ultralytics 工具集成

NMS 与 Ultralytics 生态系统无缝集成。Ultralytics YOLO 模型可在以下过程中自动应用 NMS 预测predict) 和 验证（val) 模式，确保用户在默认情况下获得干净准确的检测输出。控制 NMS 行为的参数（如 IoU 门限和置信度门限）通常可根据特定应用需求进行调整。

Ultralytics HUB等平台进一步抽象了这些细节，允许用户训练模型并部署它们，其中 NMS 作为优化管道的一部分自动处理。这种集成确保了用户无论在MLOps 方面是否具有深厚的专业技术知识，都能在各种计算机视觉任务中受益于最先进的物体检测结果。Ultralytics 框架内的具体实施细节可在Ultralytics 实用程序参考资料中查看。如需了解更多定义，请查看Ultralytics 术语表。