【毕设记录日记】深度学习|铝型材表面缺陷视觉检测算法：YOLOv5改进笔记之NMS

目录

1 非极大值抑制Non-Maximum-Suppresion（NMS）

1.1 NMS基础代码

1.2 将NMS改为DIOU_NMS

1.3 NMS完整变体代码 

1.4 总结 

---

1 非极大值抑制Non-Maximum-Suppresion（NMS）

1.1 NMS基础代码

Pytorch机器学习（八）—— YOLOV5中NMS非极大值抑制与DIOU-NMS等改进_lzzzzzzm的博客-CSDN博客_diou-nms

 

YOLOv5——NMS_OngoingDC的博客-CSDN博客_yolov5的nms 

（含有详细注释） 

1.2 将NMS改为DIOU_NMS

【YOLO v4 相关理论】常见的非极大值抑制方法：(Hard) NMS、Soft NMS、DIoU NMS_满船清梦压星河HK的博客-CSDN博客_diou nms

 

目标检测算法——YOLOv5将NMS替换为DIoU-NMS_加勒比海带66的博客-CSDN博客_diou_nms yolov5

 （只有DIOU_NMS部分代码） 

1.3 NMS完整变体代码 

目标检测的Tricks | 【Trick9】nms非极大值抑制处理（包括变体merge-nms、and-nms、soft-nms、diou-nms等介绍）_Clichong的博客-CSDN博客_nms处理 

1.4 总结 

NMS	优缺点
Hard-NMS	直接删除相邻的同类别目标，密集目标的输出不友好。
Soft-NMS	改变其相邻同类别目标置信度（有关iou的函数），后期通过置信度阈值进行过滤，适用于目标密集的场景。
Or-NMS	hard-nms的非官方实现形式，只支持cpu。
Vision-NMS	hard-nms的官方实现形式(c函数库)，可支持gpu（cuda），只支持单类别输入。
Vision-Batched-NMS	hard-nms的官方实现形式(c函数库)，可支持gpu（cuda）,支持多类别输入。
And-NMS	在hard-nms的逻辑基础上，增加是否为单独框的限制，删除没有重叠框的框（减少误检）。
Merge-NMS	在hard-nms的基础上，增加保留框位置平滑策略（重叠框位置信息求解平均值），使框的位置更加精确。
DIOU-NMS	在hard-nms的基础上，用diou替换iou，里有参照DIOU的优势

来源：https://github.com/ultralytics/yolov3/issues/679

根据博主的建议直接无脑使用MergeNMS精度提升最高，但是我个人觉得铝型材有部分缺陷比较密集，可以试一试Soft-NMS。

我看过的优化论文大多使用的是DIOU-NMS，但是也有人反应DIOU-NMS延长了时间但精度并没有明显提升，可以试一试。

 备注：

IOU_GIOU_DIOU_CIOU_EIOU优缺点总结_liiiiiiiiiiiiike的博客-CSDN博客_ciou优点

	优点	缺点
DIOU	DIOU在基于IOU特性的基础上考虑到GIOU的缺点，直接回归两个框中心点的欧式距离，加速收敛。	回归过程中未考虑Bounding box的纵横比，精确度上尚有进一步提升的空间