马春杰杰以下是一个简单的Python示例代码，展示了如何实现基本的NMS算法：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 |
import numpy as np def nms(bboxes, scores, threshold): """ Non-maximum suppression algorithm. """ x1 = bboxes[:, 0] y1 = bboxes[:, 1] x2 = bboxes[:, 2] y2 = bboxes[:, 3] areas = (x2 - x1 + 1) * (y2 - y1 + 1) order = scores.argsort()[::-1] keep = [] while order.size > 0: idx = order[0] keep.append(idx) xx1 = np.maximum(x1[idx], x1[order[1:]]) yy1 = np.maximum(y1[idx], y1[order[1:]]) xx2 = np.minimum(x2[idx], x2[order[1:]]) yy2 = np.minimum(y2[idx], y2[order[1:]]) w = np.maximum(0.0, xx2 - xx1 + 1) h = np.maximum(0.0, yy2 - yy1 + 1) overlap = w * h / areas[order[1:]] inds = np.where(overlap <= threshold)[0] order = order[inds + 1] return keep |
其中，bboxes是一个n×4的数组，存储了n个候选框的坐标信息；scores是一个长度为n的数组，存储了每个候选框的置信度得分；threshold是重叠面积的阈值。
代码中的核心部分是while循环，它将每个候选框按照置信度从高到低排序，并遍历每个候选框，判断它是否需要被抑制。具体来说，它计算当前候选框与其余候选框的重叠面积，如果重叠面积大于阈值，则将该候选框抑制，否则保留该候选框。最终，函数返回保留下来的候选框的索引。这些候选框将被视为最终的检测结果，用于后续的处理或显示。
本文最后更新于2023年2月27日，已超过 1 年没有更新，如果文章内容或图片资源失效，请留言反馈，我们会及时处理，谢谢！
alex1977 1天前说：
xizai212 2天前说：
杨嘉业 6天前说：
123456 3周前 (08-20)说：
王光卫博客 1个月前 (08-03)说：
明月登楼 2个月前 (07-11)说：
