非极大值抑制（Non-Maximum Suppression，简称NMS）是一种常用于目标检测任务中的后处理技术，主要用于从多个候选框中选出最合适的边界框，并抑制那些与最优候选框重叠度高且分类置信度低的框。
NMS的目的：
在目标检测算法中，经过分类和边界框回归后，可能会得到多个 重叠 或 重复 的候选框（Region Proposals），这些框可能是针对同一个目标生成的。NMS的目的是从这些重叠的框中 选出最合适的框，并去除那些冗余的框，以减少重复检测的结果。
NMS的工作原理：
-
输入框排序：首先，将所有候选框按照 置信度（通常是目标分类的概率或得分）进行排序，
得分高的框会排在前面。 -
选择框：选择
得分最高的候选框作为当前的最佳框，并将其加入最终检测结果。 -
计算重叠度（IoU）：对剩下的候选框与当前选择的框，计算它们的 交并比（Intersection over Union，IoU）。
IoU 是两个框的交集区域与它们的并集区域的比值。 -
抑制框：如果某个候选框与当前选定框的IoU大于
某个设定的阈值（通常为0.5），则认为这个候选框与当前框有较高的重叠，它代表了同一个物体，因此会被 抑制（去除）。 -
重复步骤：继续选择得分最高的框，并重复步骤3和步骤4，直到
所有候选框都被处理完。
非极大值抑制的流程：
- 对所有候选框按照
置信度排序。 - 选择
置信度最高的框，加入最终结果。 - 对其余候选框，计算与选定框的
IoU。 - 如果
IoU大于预设阈值，则去除该框。 - 重复步骤2至4，直到所有候选框处理完毕。
举个例子：
假设有四个候选框：框A、B、C、D，分别有以下得分：
- 框A：得分 0.9
- 框B：得分 0.8
- 框C：得分 0.7
- 框D：得分 0.6
首先按得分排序得到：A > B > C > D。然后选择得分最高的 框A，接下来计算框B、C、D与A的IoU，假设：
- 框A与B的IoU为0.6
- 框A与C的IoU为0.4
- 框A与D的IoU为0.2
假设设定的IoU阈值为0.5，那么框A与B的重叠度超过了0.5，因此框B会被抑制，去除。接着再检查框C和框D，继续按照IoU的规则去除冗余框。最终，留下框A、C和D。
NMS的参数：
- 置信度阈值：通常在筛选框时，设定一个
最低的置信度阈值，低于这个阈值的框会被丢弃。 - IoU阈值：设定IoU的阈值，用来判断两个框是否属于同一个物体。当IoU超过这个阈值时，较低得分的框会被抑制。
为什么需要NMS？
在目标检测中，由于候选区域生成算法（如选择性搜索）和目标检测算法（如Faster R-CNN）都会 生成多个框，这些框可能是不同的区域，但是它们可能代表同一个物体。NMS通过抑制冗余的重叠框，保留最有可能代表目标的框，减少重复检测的结果。
总结：
非极大值抑制（NMS） 是一种用于去除重复框的算法，它根据框的置信度和重叠度（IoU）筛选最合适的边界框，以提高目标检测的精度和效率。在目标检测任务中，NMS能够有效地避免多次检测到同一个物体。
