企业官网建设流程全解析

目录

一、前言

二、为什么需要NMS

（一）模型输出特点

（二）问题本质

（三）工业后果

三、NMS核心思想

（一）一句话理解

（二）核心原则

四、IoU是NMS的基础

（一）IoU定义

（二）作用

（三）工业常用阈值

五、标准NMS流程

（一）步骤总览

（二）流程示意

Step 1：选A

Step 2：计算IoU

Step 3：继续处理D

六、NMS数学表达

（一）核心逻辑

（二）抑制条件

七、NMS完整算法流程

八、NMS的关键参数

（一）Score阈值

（二）IoU阈值

（三）类别策略

1. Class-aware NMS

2. Class-agnostic NMS

九、NMS在工业中的作用

（一）核心价值

（二）典型应用

（三）工业意义

十、NMS的局限性

（一）误删问题

（二）小目标问题

（三）阈值敏感

十一、NMS改进算法

（一）Soft-NMS

思想

优点

（二）DIoU-NMS

（三）Weighted NMS

（四）Matrix NMS

十二、Soft-NMS公式

十三、NMS与目标检测模型关系

（一）YOLO

（二）Faster R-CNN

（三）DETR

十四、NMS在YOLO中的位置

十五、工业优化策略

（一）合理设置IoU阈值

（二）类别分开NMS

（三）结合置信度过滤

（四）使用Soft-NMS

十六、NMS性能影响

（一）速度影响

（二）工业优化

十七、NMS与真实世界误差

（一）检测偏移

（二）标注误差

（三）密集目标

十八、NMS总结流程图

十九、总结

一、前言

在目标检测系统中，模型的输出通常不是“一个框”，而是一堆候选框。

例如同一个目标：

猫 → 可能输出10个框

但真实需求是：

只保留一个最准确的框

否则会出现严重问题：

• 重复检测

• 结果混乱

• 工业系统误报警

因此，在目标检测流程中必须引入一个关键步骤：

非极大值抑制（Non-Maximum Suppression, NMS）

NMS是工业目标检测后处理的核心技术之一。

二、为什么需要NMS

（一）模型输出特点

以YOLO为例：

模型会输出：

多个候选框 + 置信度

例如：

但这些框：

可能都指向同一个目标

（二）问题本质

模型并不知道：

哪个框才是最优的

因此需要后处理：

去重 + 选择最佳框

（三）工业后果

如果没有NMS：

• 一个缺陷被检测多次

• 误触发报警系统

• 影响产线决策

三、NMS核心思想

（一）一句话理解

保留最自信的框，删除重叠过多的框

（二）核心原则

NMS遵循两个关键条件：

1. 置信度最高优先保留 2. 重叠过大的框被抑制

四、IoU是NMS的基础

（一）IoU定义

IoU=\frac{Area\ of\ Overlap}{Area\ of\ Union}

（二）作用

IoU用于判断两个框是否“重复”。

（三）工业常用阈值

五、标准NMS流程

（一）步骤总览

1. 按置信度排序 2. 选择最高分框 3. 计算与其他框IoU 4. 删除IoU超过阈值的框 5. 重复步骤2

（二）流程示意

假设有多个框：

A(0.95) B(0.90) C(0.85) D(0.60)

Step 1：选A

A作为基准框。

Step 2：计算IoU

IoU(A,B) = 0.8 → 删除B IoU(A,C) = 0.75 → 删除C IoU(A,D) = 0.2 → 保留D

Step 3：继续处理D

最终结果：

A + D

六、NMS数学表达

（一）核心逻辑

B=arg\max_{b_i\in S} score(b_i)

（二）抑制条件

IoU(b_i,b_j) > \theta \Rightarrow suppress(b_j)

七、NMS完整算法流程

Input: 候选框集合 S 1. 按score排序 2. 初始化结果集 R = {} 3. while S不为空: 取最高score框b 加入R 删除S中与b IoU > 阈值的框 4. 返回R

八、NMS的关键参数

（一）Score阈值

过滤低置信度框

（二）IoU阈值

控制去重强度：

• 太低 → 误删

• 太高 → 重复框多

（三）类别策略

1. Class-aware NMS

不同类别之间不抑制

2. Class-agnostic NMS

所有框一起处理

九、NMS在工业中的作用

（一）核心价值

保证检测结果唯一性

（二）典型应用

• 缺陷检测

• 目标跟踪

• 安防监控

• 自动驾驶

（三）工业意义

没有NMS：

系统无法稳定运行

十、NMS的局限性

（一）误删问题

相邻目标可能被误删：

例如：

两个紧挨的螺丝

（二）小目标问题

小目标容易被覆盖。

（三）阈值敏感

不同阈值影响巨大。

十一、NMS改进算法

（一）Soft-NMS

思想

不是删除，而是：

降低置信度

优点

• 减少误删

• 更适合密集目标

（二）DIoU-NMS

引入：

中心距离

（三）Weighted NMS

对多个框进行加权融合。

（四）Matrix NMS

用于实例分割任务。

十二、Soft-NMS公式

score_i = score_i \cdot e^{-IoU(b_i,b_j)^2/\sigma}

十三、NMS与目标检测模型关系

（一）YOLO

• 默认使用NMS

• 推理后处理步骤

（二）Faster R-CNN

• Proposal阶段 + NMS

（三）DETR

不使用NMS（端到端）

十四、NMS在YOLO中的位置

Backbone ↓ Neck ↓ Head ↓ 候选框输出 ↓ NMS（后处理） ↓ 最终结果

十五、工业优化策略

（一）合理设置IoU阈值

• 缺陷检测：0.3~0.5

• 通用检测：0.5

（二）类别分开NMS

避免跨类别误抑制。

（三）结合置信度过滤

减少计算压力。

（四）使用Soft-NMS

提高密集场景表现。

十六、NMS性能影响

（一）速度影响

NMS = O(N²)

候选框越多越慢。

（二）工业优化

• Top-K筛选

• GPU加速NMS

• TensorRT插件

十七、NMS与真实世界误差

（一）检测偏移

框偏移导致IoU计算错误。

（二）标注误差

GT不准确影响NMS判断。

（三）密集目标

容易互相抑制。

十八、NMS总结流程图

候选框 ↓ 置信度排序 ↓ 选最高框 ↓ 计算IoU ↓ 过滤重叠框 ↓ 重复循环 ↓ 最终输出

十九、总结

非极大值抑制（NMS）是目标检测后处理阶段最关键的算法之一，它的核心作用是从多个重叠候选框中筛选出最优结果，从而保证检测输出的唯一性与稳定性。

本文系统讲解了：

1、NMS存在的必要性；

2、IoU基础概念；

3、标准NMS流程；

4、数学表达；

5、关键参数设计；

6、Soft-NMS与改进方法；

7、工业应用场景；

8、YOLO中的NMS位置；

9、性能与优化问题；

10、真实工业挑战。

可以将NMS理解为：

“一个基于置信度排序与重叠抑制的目标框过滤机制，是目标检测从‘候选结果’走向‘最终输出’的关键一步。”

在工业视觉系统中，NMS不仅是一个算法步骤，更是保证系统稳定性与可靠性的核心工程组件。