改进YOLOv5系列：7.改进DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS

• YOLOAir项目：基于 YOLOv5 代码框架，结合不同模块来构建不同的YOLO目标检测模型。
• 本项目包含大量的改进方式,降低改进难度,改进点包含Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数等部分，详情可以关注 YOLOAir 的说明文档。
• 同时附带各种改进点原理及对应的代码改进方式教程，用户可根据自身情况快速排列组合，在不同的数据集上实验, 应用组合写论文！

新的仓库链接：YOLOAir仓库：https://github.com/iscyy/yoloair
可以 fork 和 star，持续同步更新完善

---

本篇是《关于一系列NMS》的修改 演示

包括：NMS、Merge-NMS、Soft-NMS、CIoU-NMS、DIoU-NMS、GIoU-NMS、EIoU-NMS、SIoU-NMS

使用YOLOv5网络作为示范，可以无缝加入到 YOLOv7、YOLOX、YOLOR、YOLOv4、Scaled_YOLOv4、YOLOv3等一系列YOLO算法模块

---

---

NMS相关理论部分

理论部分，别的博客已经解释的很详细了，可以搜搜
NMS技术总结（NMS原理、多类别NMS、NMS的缺陷、NMS的改进思路、各种NMS方法）
以及其他的

---

1.改为：Merge-NMS

YOLOv5代码中直接打开即可,general.py文件下的
merge = False替换为merge = True即可

---

2.改为：Soft-NMS

改为Soft-NMS,
Soft-CIoUNMS,
Soft-SIoUNMS,
Soft-DIoUNMS,
Soft-EIoUNMS,
Soft-GIoUNMS
参考：https://blog.csdn.net/qq_38668236/article/details/126245080

---

其他：NMS

在YOLOV5当中，作者调用了Pytorch官方的nms方法
首先增加NMS函数,
这里的计算IOU的函数——bbox_iou则是直接引用了YOLOV5中的代码，其简洁的集成了对与SIoU,EIoU,GIOU,DIOU,CIOU的计算。
在general.py文件中加入NMS方法

def NMS(boxes, scores, iou_thres, class_nms='CIoU'):
    # class_nms=class_nms
    GIoU=CIoU=DIoU=EIoU=SIoU=False
    if class_nms == 'CIoU':
        CIoU=True
    elif class_nms == 'DIoU':
        DIoU=True
    elif class_nms == 'GIoU':
        GIoU=True
    elif class_nms == 'EIoU':
        EIoU=True
    else :
        SIoU=True
    B = torch.argsort(scores, dim=-1, descending=True)
    keep = []
    while B.numel() > 0:
        index = B[0]
        keep.append(index)
        if B.numel() == 1: break
        iou = bbox_iou(boxes[index, :], boxes[B[1:], :], GIoU=GIoU, DIoU=DIoU, CIoU=CIoU, EIoU=EIoU, SIoU=SIoU)
        inds = torch.nonzero(iou <= iou_thres).reshape(-1)
        B = B[inds + 1]
    return torch.tensor(keep)

这里参考了博主:lzzzzzzm的代码

其次
将non_max_suppression方法中的

i = torchvision.ops.nms(boxes, scores, iou_thres)

注释
增加了

i = NMS(boxes, scores, iou_thres, class_nms='xxx')

---

3.改为：DIoU-NMS

在i = NMS(boxes, scores, iou_thres, class_nms='DIoU') # NMS调用
将class_nms 设置为= DIoU时，则开启DIoU-NMS

---

4.改为：GIoU-NMS

在i = NMS(boxes, scores, iou_thres, class_nms='GIoU') # NMS调用
将class_nms 设置为= GIoU时，则开启GIoU-NMS

---

5.改为：CIoU-NMS

在i = NMS(boxes, scores, iou_thres, class_nms='CIoU') # NMS调用
将class_nms 设置为= CIoU时，则开启CIoU-NMS

---

6.改为：EIoU-NMS

在i = NMS(boxes, scores, iou_thres, class_nms='EIoU') # NMS调用
将class_nms 设置为= EIoU时，则开启EIoU-NMS

---

7.改为：SIoU-NMS

在i = NMS(boxes, scores, iou_thres, class_nms='SIoU') # NMS调用
将class_nms 设置为= SIoU时，则开启SIoU-NMS

---

8.效果对比(小样本测试)

CPU推理
默认 NMS 0.655 0.429 - 时间 4.6ms NMS
SIoU-NMS 0.656 0.429 - 时间 152.9ms NMS
CIoU-NMS 0.656 0.429 - 时间 75.8ms NMS
DIoU-NMS 0.656 0.429 - 时间 59.0ms NMS
GIoU-NMS 0.655 0.429 - 时间 54.8ms NMS
EIoU-NMS 0.652 0.427 - 时间 85.8ms NMS