一、NMS 是什么

NMS = Non-Maximum Suppression，非极大值抑制，是推理阶段的后处理算法，几乎所有目标检测都要使用到。

字面拆解

• 极大值：同一目标里置信度最高的预测结果（模型最确定是这物体）
• 非极大值：和高置信结果高度重叠、分数更低的重复预测
• 抑制：直接删掉这些重复冗余结果

通常目标检测用IoU（框交并比） 判断重叠。

二、经典贪心 NMS 完整流程

1. 所有预测框按置信度 score 从高到低排序
2. 取出最高分框，放入最终结果列表
3. 计算这个框和其余所有同类别框的 IoU
4. 如果 IoU > NMS 阈值 → 删除该框（视为重复目标）
5. 循环剩余框，直到处理完毕

三、算法流程

现有 6 个物体检测候选框 A~F，置信度从小到大：A＜B＜C＜D＜E＜F，F 为置信度最高的预测框；设定 IoU 重叠判定NMS阈值为 0.5。

步骤 1：筛选全局置信最高框，存入结果集

全部候选框中 F 置信分数最高，先把 F 存入最终保留框列表。

步骤 2：计算剩余所有框与 F 的 IoU，剔除高度重叠冗余框

分别计算 A、B、C、D、E 和 F 的矩形交并比 IoU：

1. 若某框和 F 的 IoU＞0.5：判定二者预测的是同一个物体，直接删除该框。本案例中 B、D 与 F 重叠度过高，执行删除；
2. 若某框和 F 的 IoU≤0.5：判定属于独立目标，暂时保留，本轮剩余有效框为 A、C、E。

步骤 3：循环迭代处理剩余候选框

对本轮剩下的 A、C、E，按置信度重新排序：E＞C＞A

1. 选取当前最高分 E，加入保留框列表；
2. 分别计算 A、C 与 E 的 IoU，重叠超过 0.5 则剔除重复框；

最终输出

筛选结束后，仅保留无高度重叠的两个最优框：F、E，分别对应画面里两个独立苹果目标。

四、NMS 阈值大小带来的影响

假设阈值为 iou_thresh

1）阈值设置过小（例：0.3、0.35）

✅抑制力度很强

⚠️风险：密集目标容易被误删。两个挨得很近的不同物体，只要重叠超过阈值，低分物体会被删掉，造成漏检。

适用：目标稀疏、要求严格去重场景。

2）阈值设置过大（例：0.75、0.8）

✅容忍重叠，不容易误删相邻目标

⚠️风险：同一个物体多个重叠框全部保留，画面出现大量重复框（多重检测）。

适用：拥挤人群、堆叠商品、密集小目标。