非最大抑制NMS

非最大值抑制NMS）是计算机视觉中使用的一种重要的后处理技术。 后处理技术，用于完善 物体检测算法的结果。当模型分析图像时 模型分析图像时，经常会为一个物体预测多个重叠的 边框，而每个边框都有不同的概率。 概率不同。NMS 会过滤这些多余的预测，以确保每个独特的物体都能被准确识别一次。 一次，只保留最准确的边界框，而舍弃其余的。这一过程对于在实际应用中实现高精度 在实际应用中实现高精度，防止系统 防止系统检测到同一目标的 "幽灵 "重复。

抑制机制

NMS 算法就像一个过滤器，可以清理深度学习模型的原始输出。 深度学习模型的原始输出。它在很大程度上依赖于两个关键 指标：置信度得分，表示模型对某一方框包含物体的确定程度 模型对某个方框包含某个对象的确定程度，以及 交集大于联合（IoU），它 的空间重叠度。

NMS 的标准贪婪算法一般遵循以下步骤 这些步骤：

1. 阈值处理：所有置信度低于特定阈值的候选方框都会被 立即丢弃，以去除弱预测。
2. 排序：其余方框根据置信度得分从高到低排序。
3. 选择：得分最高的方框被选为有效检测。
4. 抑制：算法将所选方框与所有其他剩余方框进行比较。如果所选方框与其他方框之间的IoU 之间的 IoU 超过规定的限制（如 0.5），则分数较低的方框将被抑制（删除），因为它被认为代表了同一个对象。 (删除），因为它被认为代表同一对象。
5. 迭代：对下一个得分最高的方框重复此过程，直到处理完所有候选方框。 处理完毕。

软NMS 等高级变体会降低重叠方框的检测分数，而不是完全消除它们。 在拥挤的场景中，物体会自然地相互遮挡。 自然相互遮挡的场景中大有裨益。

实际应用

在依赖人工智能解释的系统中，NMS 无处不在NMS 人工智能来解释 视觉数据的系统中无处不在。在对安全至关重要的高精度环境中，它的作用尤为关键。

• 人工智能在汽车领域的应用：在自动驾驶汽车的 在自动驾驶汽车的感知堆栈中，准确检测其他车辆和行人是必不可少的。 如果没有NMS，车辆感知系统可能会将一个行人detect 为三个或四个不同的人，因为预测会出现重叠。 重叠的预测。这可能会混淆 运动规划算法，导致制动或转向失误。 或转向失误。NMS 可确保对障碍物进行干净、单一的表示，这一点可在NMS DRIVE 等技术中看到。 NVIDIA DRIVE 等技术。
• 医学图像分析： 使用人工智能识别 X 射线和核磁共振成像扫描中的肿瘤或病变时，精确性至关重要。 医疗系统中的人工智能使用NMS 来确保 单个异常不会触发多个警报，帮助放射科医生专注于不同的发现。可靠的 检测减少了误报，简化了医学影像研究中描述的诊断工作流程。 医学影像研究中描述的诊断工作流程。

Ultralytics 中的NMS YOLO

在 Ultralytics YOLO11框架中，NMS 直接集成到预测管道中。用户可以轻松调整NMS 参数，如IoU 临界值，以便在去除重复对象和分离IoU 较近的对象之间取得平衡。 用户可以轻松调整 NMS 参数，如 IoU 临界值，以便在去除重复对象和分离间距较近的对象之间取得平衡。

以下代码片段演示了如何使用 ultralytics 包装

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)}")

与相关概念的比较

必须将NMS 与检测管道中的其他术语区分开来。

• NMS 与锚箱：锚点是 锚点是在模型处理过程中用作预测起点的预定义形状。NMS 是 后处理步骤，在模型输出最终预测结果后进行。
• NMS 与信心阈值：A 置信度阈值仅根据每个方框的概率分数来筛选方框。NMS 则根据方框与其他方框的 它们与其他方框的关系（重叠）。
• NMS 与端到端检测：传统NMS 增加 推理延迟，因为它是一个连续的 过程。即将推出的架构，如YOLO26，正朝着本机端到端设计的方向发展。 即将推出的架构（如 YOLO26）正朝着本机端到端设计的方向发展。这些模型旨在直接从 这些模型的目标是直接从神经网络输出最终的唯一对象集，从而在未来的机器学习模型中淘汰外部NMS 算法。 机器学习模型。

对于希望高效部署这些模型的开发人员来说，了解NMS 对实时推理的影响至关重要。 实时推理的影响至关重要。像 TensorRT等工具通常包含优化的NMS 插件，以加速模型部署过程中的这一 步骤。