【工业领域】掌握非极大值抑制（NMS）目标检测后处理方法——从重复框消除到工程落地核心技术

一、前言

二、为什么需要NMS

（一）模型输出特点

（二）问题本质

[Step 1：选A](#Step 1：选A)

[Step 2：计算IoU](#Step 2：计算IoU)

[Step 3：继续处理D](#Step 3：继续处理D)

[1. Class-aware NMS](#1. Class-aware NMS)

[2. Class-agnostic NMS](#2. Class-agnostic NMS)

[（三）Weighted NMS](#（三）Weighted NMS)

[（四）Matrix 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](#（二）Faster R-CNN)

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：

复制代码

猫 → 可能输出10个框

但真实需求是：

复制代码

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：

复制代码

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：

复制代码

多个候选框 + 置信度

例如：

框	置信度
box1	0.92
box2	0.88
box3	0.85

但这些框：

复制代码

可能都指向同一个目标

（二）问题本质

模型并不知道：

复制代码

哪个框才是最优的

因此需要后处理：

复制代码

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

复制代码

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：

复制代码

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

场景	IoU阈值
常规检测	0.5
工业检测	0.3 ~ 0.6
高精度检测	0.7

五、标准NMS流程

（一）步骤总览

复制代码

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：

复制代码

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

复制代码

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：

复制代码

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

复制代码

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

复制代码

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

复制代码

不同类别之间不抑制

2. Class-agnostic NMS

复制代码

所有框一起处理

九、NMS在工业中的作用

（一）核心价值

复制代码

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：

复制代码

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：

复制代码

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：

复制代码

降低置信度

优点

减少误删
更适合密集目标

（二）DIoU-NMS

引入：

复制代码

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

复制代码

不使用NMS（端到端）

十四、NMS在YOLO中的位置

复制代码

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

复制代码

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

复制代码

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。