副标题 / 摘要
NMS（Non-Maximum Suppression）是目标检测后处理的核心步骤。本文用 ACERS 框架拆解 NMS 的原理、流程与工程实践，并提供可运行的 PyTorch 示例。

  • 预计阅读时长：14~18 分钟
  • 标签：nms、object-detection、iou
  • SEO 关键词：NMS, 非极大值抑制, IoU, 目标检测
  • 元描述：讲清 NMS 的核心算法、复杂度与工程取舍。

目标读者

  • 想理解目标检测后处理的初学者
  • 需要调参 IoU 阈值的工程实践者
  • 关注推理速度与精度平衡的开发者

背景 / 动机

检测模型通常会输出多个重叠框。
如果不做抑制，会出现“同一目标被重复检测”。
NMS 用最简单的规则实现去重，是工业界的标准方案。

核心概念

  • IoU（Intersection over Union）：衡量两个框重叠程度。
  • score：置信度分数，决定优先保留的框。
  • 阈值：IoU 超过阈值则抑制。

A — Algorithm（题目与算法）

用通俗语言说明主题内容

NMS 的逻辑很直观：

  1. 选出最高分的框。
  2. 删除与它重叠度过高的框。
  3. 重复直到没有框。

基础示例（1）

  • 两个高度重叠的人脸框，只保留分数更高的一个。

基础示例（2）

  • 多个类别的检测结果，先按类别分开再做 NMS（class-wise）。

实践指南 / 步骤

  1. 对检测框按 score 排序。
  2. 取最高分框作为保留结果。
  3. 计算 IoU，过滤高重叠框。
  4. 重复直到框集合为空。

可运行示例（最小 PyTorch NMS）

import torch


def iou(box, boxes):
    x1 = torch.maximum(box[0], boxes[:, 0])
    y1 = torch.maximum(box[1], boxes[:, 1])
    x2 = torch.minimum(box[2], boxes[:, 2])
    y2 = torch.minimum(box[3], boxes[:, 3])
    inter = torch.clamp(x2 - x1, min=0) * torch.clamp(y2 - y1, min=0)
    area1 = (box[2] - box[0]) * (box[3] - box[1])
    area2 = (boxes[:, 2] - boxes[:, 0]) * (boxes[:, 3] - boxes[:, 1])
    union = area1 + area2 - inter
    return inter / (union + 1e-6)


def nms(boxes, scores, thresh=0.5):
    idx = scores.argsort(descending=True)
    keep = []
    while idx.numel() > 0:
        i = idx[0]
        keep.append(i.item())
        if idx.numel() == 1:
            break
        rest = idx[1:]
        ious = iou(boxes[i], boxes[rest])
        idx = rest[ious <= thresh]
    return keep

boxes = torch.tensor([
    [0.0, 0.0, 1.0, 1.0],
    [0.1, 0.1, 1.1, 1.1],
    [2.0, 2.0, 3.0, 3.0],
])
scores = torch.tensor([0.9, 0.8, 0.7])
print(nms(boxes, scores, thresh=0.5))

解释与原理

  • NMS 的核心是“先保留最可信框”。
  • IoU 阈值越大，保留框越多；越小，抑制越强。

C — Concepts（核心思想）

方法类型

NMS 属于后处理过滤算法，用局部贪心策略去重。

关键公式

IoU：

$ \text{IoU}(A, B) = \frac{\text{area}(A \cap B)}{\text{area}(A \cup B)} $

解释与原理

  • IoU 衡量重叠程度。
  • 通过阈值控制抑制强度。

E — Engineering（工程应用）

场景 1：目标检测去重

  • 背景：同一目标被多个框预测。
  • 为什么适用：NMS 快速去重。
  • 代码示例（Python）：
import torch

boxes = torch.randn(5, 4).abs()
scores = torch.rand(5)
print(scores.argsort(descending=True))

场景 2：多类别检测（class-wise NMS）

  • 背景：不同类别框不应互相抑制。
  • 为什么适用：按类别分组 NMS。
  • 代码示例（Python）：
import torch

labels = torch.tensor([0, 0, 1, 1])
for c in labels.unique():
    idx = (labels == c).nonzero().flatten()
    print(c.item(), idx.tolist())

场景 3：实时检测加速

  • 背景：NMS 成为推理瓶颈。
  • 为什么适用：减少候选框数量。
  • 代码示例（Python）：
import torch

scores = torch.rand(1000)
keep = scores > 0.3
print(keep.sum().item())

R — Reflection（反思与深入）

  • 时间复杂度：经典 NMS 为 O(N^2)。
  • 空间复杂度：主要存储候选框，O(N)。
  • 替代方案：
    • Soft-NMS：降低分数而非直接删除。
    • DIoU/CIoU-NMS：更精细的抑制策略。
    • NMS-Free：直接在模型中建模去重。
  • 工程可行性：NMS 简单稳定，是默认首选。

常见问题与注意事项

  • 阈值过大 → 重复检测。
  • 阈值过小 → 漏检。
  • 跨类别是否抑制需明确策略。

最佳实践与建议

  • 先用 class-wise NMS 再做全局筛选。
  • 在高密度场景考虑 Soft-NMS。
  • 用验证集调 IoU 阈值。

S — Summary（总结）

核心收获

  • NMS 是目标检测后处理的核心算法。
  • IoU 阈值决定去重强度。
  • 复杂度高时需要候选筛选或改进算法。
  • Soft-NMS 与 NMS-Free 是重要替代方向。

推荐延伸阅读

  • Faster R-CNN
  • Soft-NMS 论文
  • YOLO 系列检测模型

参考与延伸阅读

小结 / 结论

NMS 是目标检测工程化的“最后一公里”。
理解它的取舍，能让检测系统更稳、更快。

行动号召（CTA）

用本文的 NMS 实现替换你的后处理代码，观察精度与速度变化。