一、前言

在使用YOLO進行物件檢測時，模型往往會針對單一個物件產生多個不同可能的預測框，用來精準預測物件，但是，要如何確保不會有多個重複的預測框出現造成冗余的結果？

這時NMS技術（Non-Maximum Suppression，非極大值抑制）就派上用場了。

二、NMS(Non-Maximum Suppression)

1. NMS是什麼？

NMS(Non-Maximum Suppression)是一種用於過濾物件檢測的技術，目標是排除多餘的邊界框，保留信心分數最高的框。

2. NMS的基本原理

1. 信心分數排序：根據每個邊界框的信心分數來進行排序，選擇最高的作為最終輸出的邊界框。
2. 刪除重疊框：計算該框與其他後選的框的IoU(Intersection over Union，交並比)，對於IoU超過某個閾值的其他候選框，則將它們刪除。
3. 重複步驟：繼續選擇下一個信心分數最高的框，重複以上的動作直到找出最優解。

3. 範例

這邊筆者從網上找來了一張圖片，用來解釋NMS的用途，可以看到原始的圖片中，這輛汽車上被框上了許多不同可能的邊界框，此時就利用了NMS的技術將多餘的可能給排除掉，只留下信心分數高的邊界框。

圖片來源：Non-maximum Suppression (NMS)

三、結論

NMS技術與YOLO也有著密不可分的關係，可以大幅優化物件檢測的性能，並提取出最優的邊界框，這對於我們在做物件檢測來說，可以提高準確率，也可以套用在不同的應用場景中。