YOLOv8中的NMS(非极大值抑制)算法原理及应用

 # 1. YOLOv8中的NMS算法概述 NMS（非极大值抑制）算法是一种广泛应用于目标检测中的后处理技术，其目的是从候选检测框中筛选出最优的检测结果，消除重叠或冗余的检测框。在YOLOv8目标检测框架中，NMS算法扮演着至关重要的角色，负责对网络输出的预测框进行筛选，生成最终的目标检测结果。 # 2. NMS算法原理 ### 2.1 NMS算法的数学推导 #### 2.1.1 IoU计算 交并比（IoU）是衡量两个矩形框重叠程度的指标，计算公式为： ```python IoU = (Area of Overlap) / (Area of Union) ``` 其中，重叠区域面积为： ```python Area of Overlap = min(box1_width, box2_width) * min(box1_height, box2_height) ``` 联合区域面积为： ```python Area of Union = box1_width * box1_height + box2_width * box2_height - Area of Overlap ``` #### 2.1.2 置信度阈值和IoU阈值 NMS算法有两个关键参数： - **置信度阈值**：低于此阈值的检测框将被过滤掉。 - **IoU阈值**：如果两个检测框的IoU大于此阈值，则IoU较小的检测框将被过滤掉。 ### 2.2 NMS算法的实现步骤 NMS算法的实现步骤如下： 1. 对所有检测框按置信度降序排序。 2. 遍历检测框列表： - 如果当前检测框的置信度低于置信度阈值，则跳过。 - 否则，将当前检测框标记为“保留”。 - 对于列表中剩余的检测框： - 计算当前检测框与剩余检测框的IoU。 - 如果IoU大于IoU阈值，则将剩余检测框标记为“丢弃”。 3. 返回所有标记为“保留”的检测框。 **代码块：** ```python def nms(boxes, scores, iou_threshold=0.5, confidence_threshold=0.5): """ 非极大值抑制算法（NMS） Args: boxes: 检测框列表，每个元素为[x1, y1, x2, y2] scores: 检测框置信度列表 iou_threshold: IoU阈值 confidence_threshold: 置信度阈值 Returns: 保留的检测框列表 """ # 排序检测框 sorted_indices = np.argsort(scores)[::-1] boxes = boxes[sorted_indices] scores = scores[sorted_indices] # 初始化保留的检测框列表 keep_boxes = [] # 遍历检测框 while boxes.size > 0: # 获取置信度最高的检测框 box = boxes[0] score = scores[0] # 如果置信度低于阈值，则跳过 if score < confidence_threshold: break # 将当前检测框标记为“保留” keep_boxes.append(box) # 计算当前检测框与剩余检测框的IoU ious = compute_ious(box, boxes[1:]) # 将IoU大于阈值的检测框标记为“丢弃” ```