作者主页：爱笑的男孩。的博客_CSDN博客-深度学习,YOLO,活动领域博主爱笑的男孩。擅长深度学习,YOLO,活动,等方面的知识,爱笑的男孩。关注算法,python,计算机视觉,图像处理,深度学习,pytorch,神经网络,opencv领域.

https://blog.csdn.net/Code_and516?type=collect

个人介绍：打工人。

分享内容：机器学习、深度学习、python相关内容、日常BUG解决方法及Windows&Linux实践小技巧。

如发现文章有误，麻烦请指出，我会及时去纠正。有其他需要可以私信我或者发我邮箱:zhilong666@foxmail.com

目录

非极大值抑制原理 

NMS源码含注释

需要的依赖包

nms算法

绘图

全部代码

效果图

非极大值抑制原理 

        非极大值抑制（Non-Maximum Suppression，NMS）是一种图像处理中的技术。它通常用于目标检测中，其主要作用是去除检测出来的冗余框，只保留最有可能包含目标物体的框，保留最优的检测结果。

        在目标检测中，我们通常使用一个检测器来检测出可能存在的物体，并给出其位置和大小的预测框。然而，同一个物体可能会被多次检测出来，从而产生多个预测框。这时，我们就需要使用NMS来去除掉这些重叠的框，只保留最优的一个。

        其基本原理是先在图像中找到所有可能包含目标物体的矩形区域，并按照它们的置信度进行排列。然后从置信度最高的矩形开始，遍历所有的矩形，如果发现当前的矩形与前面任意一个矩形的重叠面积大于一个阈值，则将当前矩形舍去。使得最终保留的预测框数量最少，但同时又能够保证检测的准确性和召回率。具体的实现方法包括以下几个步骤：

对于每个类别，按照预测框的置信度进行排序，将置信度最高的预测框作为基准。

从剩余的预测框中选择一个与基准框的重叠面积最大的框，如果其重叠面积大于一定的阈值，则将其删除。

对于剩余的预测框，重复步骤2，直到所有的重叠面积都小于阈值，或者没有被删除的框剩余为止。

        通过这样的方式，NMS可以过滤掉所有与基准框重叠面积大于阈值的冗余框，从而实现检测结果的优化。值得注意的是，NMS的阈值通常需要根据具体的数据集和应用场景进行调整，以兼顾准确性和召回率。

        总结来说，非极大值抑制原理是通过较高置信度的目标框作为基准，筛选出与其重叠度较低的目标框，从而去除掉冗余的目标框，提高目标检测的精度和效率。

NMS源码含注释

需要的依赖包

import numpy as np

import matplotlib.pyplot as plt

#安装

#pip install numpy==1.19.5 -i https://pypi.tuna.tsinghua.edu.cn/simple/

#pip install matplotlib==3.2.2 -i https://pypi.tuna.tsinghua.edu.cn/simple/ 

nms算法

<code>#nms 算法

def py_cpu_nms(dets, thresh):

#边界框的坐标

x1 = dets[:, 0]#所有行第一列

y1 = dets[:, 1]#所有行第二列

x2 = dets[:, 2]#所有行第三列

y2 = dets[:, 3]#所有行第四列

#计算边界框的面积

areas = (y2 - y1 + 1) * (x2 - x1 + 1) #(第四列 - 第二列 + 1) * (第三列 - 第一列 + 1)

#执行度，包围盒的信心分数

scores = dets[:, 4]#所有行第五列

keep = []#保留

#按边界框的置信度得分排序 尾部加上[::-1] 倒序的意思 如果没有[::-1] argsort返回的是从小到大的

index = scores.argsort()[::-1]#对所有行的第五列进行从大到小排序，返回索引值

#迭代边界框

while index.size > 0: # 6 > 0, 3 > 0, 2 > 0

i = index[0] # every time the first is the biggst, and add it directly每次第一个是最大的，直接加进去

keep.append(i)#保存

#计算并集上交点的纵坐标（IOU）

x11 = np.maximum(x1[i], x1[index[1:]]) # calculate the points of overlap计算重叠点

y11 = np.maximum(y1[i], y1[index[1:]]) # index[1:] 从下标为1的数开始，直到结束

x22 = np.minimum(x2[i], x2[index[1:]])

y22 = np.minimum(y2[i], y2[index[1:]])

#计算并集上的相交面积

w = np.maximum(0, x22 - x11 + 1) # the weights of overlap重叠权值、宽度

h = np.maximum(0, y22 - y11 + 1) # the height of overlap重叠高度

overlaps = w * h# 重叠部分、交集

#IoU：intersection-over-union的本质是搜索局部极大值，抑制非极大值元素。即两个边界框的交集部分除以它们的并集。

# 重叠部分 / （面积[i] + 面积[索引[1:]] - 重叠部分）

ious = overlaps / (areas[i] + areas[index[1:]] - overlaps)#重叠部分就是交集，iou = 交集 / 并集

print("ious", ious)

# ious <= 0.7

idx = np.where(ious <= thresh)[0]#判断阈值

print("idx", idx)

index = index[idx + 1] # because index start from 1 因为下标从1开始

return keep #返回保存的值

绘图

#画图函数

def plot_bbox(dets, c='k'):#c = 颜色 默认黑色code>

# 边界框的坐标

x1 = dets[:, 0] # 所有行第一列

y1 = dets[:, 1] # 所有行第二列

x2 = dets[:, 2] # 所有行第三列

y2 = dets[:, 3] # 所有行第四列

plt.plot([x1, x2], [y1, y1], c)#绘图

plt.plot([x1, x1], [y1, y2], c)#绘图

plt.plot([x1, x2], [y2, y2], c)#绘图

plt.plot([x2, x2], [y1, y2], c)#绘图

plt.title("nms")#标题

全部代码