今天跟大家伙儿唠唠我最近搞的NMS，也就是非极大值抑制，这玩意儿在目标检测里头那是相当重要。
事情是这么开始的，前段时间我在搞一个目标检测的项目，模型跑出来效果还行，就是框框太多，一个目标能给你框出一堆，看着就烦。咋办？就得用NMS来收拾收拾这些框框。
我啥也不懂，就直接上网搜，看别人咋搞的。 发现NMS的核心思想就是把那些重叠度太高的框框给干掉，只留下置信度最高的那个。简单来说，就是优中选优，把最靠谱的框框留下来。
然后就开始动手。第一步，先把所有的框框按照置信度从高到低排个队。 就像选美一样，先看看谁最漂亮。用Python写个简单的排序函数，搞定！
第二步，从置信度最高的框框开始，逐个遍历。 每次拿出一个框框，就跟剩下的框框算一下重叠度，也就是IoU（Intersection over Union）。这玩意儿就是算两个框框的交集面积除以并集面积，值越大说明重叠得越厉害。
第三步，如果IoU大于某个设定的阈值，那就把这个框框给干掉。 比如我设个阈值是0.5，意思是如果两个框框重叠度超过50%，那就认为它们框的是同一个目标，直接把置信度低的那个框框扔掉。
- 算IoU的时候，我一开始写个很笨的函数，效率贼低。 后来优化一下，用NumPy的广播机制，速度立马就上去。
- 阈值的选择也很重要。 太大，容易把一些靠谱的框框也给干掉；太小，又起不到抑制的效果。我试好几个值，选个0.5感觉还不错。
第四步，重复第二步和第三步，直到所有的框框都遍历完。 这样一轮下来，剩下的框框就是经过NMS处理后的结果，数量少很多，也更加准确。
刚开始跑的时候，发现效果不太有些目标还是会被框出好几个。后来仔细检查一下代码，发现是有些细节没处理 比如，在干掉框框的时候，没注意更新索引，导致后面的计算出错。
改这些bug之后，NMS的效果就好多。目标检测的结果一下子就清爽很多，看着也舒服多。 虽然代码写得比较粗糙，但是能用就行。
这回实践让我对NMS有更深的理解。理论看再多，不如自己动手实践一遍。 只有真正去写代码，才能发现那些隐藏的坑，才能真正掌握这个算法。
以后有机会，我还想尝试一些更高级的NMS算法，比如Soft-NMS，看看能不能进一步提升目标检测的效果。
还没有评论，来说两句吧...