yolov5pt转onnx模型转rknn，为什么rknn检测有多个重叠框

### 解决YOLOv5 PT模型转换至ONNX再转RKNN后的重叠检测框问题 当处理YOLOv5 PyTorch (PT) 模型并将其转换为ONNX格式，进而转化为Rockchip Neural Network (RKNN) 格式时，可能会遇到多个重叠的边界框问题。这通常源于不同框架之间的推理差异以及后处理阶段的不同实现。 #### 1. 后处理调整 为了减少重叠检测框的数量，在将模型部署到目标设备之前，可以优化非极大值抑制（Non-Maximum Suppression, NMS）算法的应用方式[^1]： ```python def non_max_suppression(predictions, conf_threshold=0.25, iou_threshold=0.45): """ Apply Non-Maximum Suppression on predictions. Args: predictions: List of detected objects with confidence scores and bounding boxes. conf_threshold: Confidence threshold for filtering out weak detections. iou_threshold: Intersection over Union threshold for suppressing overlapping boxes. Returns: A list containing only the best prediction per class after applying NMS. """ # Filter out low-confidence predictions first filtered_predictions = [] for pred in predictions: if pred['confidence'] >= conf_threshold: filtered_predictions.append(pred) # Sort remaining predictions by descending order of confidence score sorted_predictions = sorted(filtered_predictions, key=lambda x: x['confidence'], reverse=True) final_boxes = [] while len(sorted_predictions) > 0: current_box = sorted_predictions.pop(0) # Add highest scoring box to output set final_boxes.append(current_box) # Remove all other boxes that have high IoU overlap with selected box sorted_predictions = [ box for box in sorted_predictions if calculate_iou(box, current_box) < iou_threshold] return final_boxes ``` 此函数通过设置更高的置信度阈值`conf_threshold`和更严格的交并比(IoU)`iou_threshold`来过滤掉不必要的预测结果，从而有效降低最终输出中的重复边框数量。 #### 2. 调整损失函数设计 考虑到Redmond提出的观点，“小偏差对于大物体的影响较小而对于小物体则更为重要”，因此建议采用L2损失函数，并对边界框尺寸进行标准化处理，使其范围限定于0到1之间[^2]。这种做法有助于提高小型对象定位精度的同时保持整体性能稳定。 #### 3. 训练过程微调 在训练过程中适当增加迭代次数或调整学习率等超参数也可能改善模型的表现。确保每次更新权重前都充分遍历整个数据集，即完成一个完整的周期(epoch)[^4]。这样可以使模型更好地收敛，进一步提升其泛化能力。