diou diou_nms代码分享

前言 NMS（非最大抑制）是目标检测算法后处理中常用的技术，用来将redundant检测框给过滤掉。YOLOV4没有用经典的NMS，取而代之的是DIOU-NMS。本博客接下来会讲解其原理和代码实现。 原理 在经典的NMS中，得分最高的检测框和其它检测框逐一算出一个对应的IOU值，并将该值超过NMS threshold的框全部过滤掉。可以看出，在经典NMS算法中，IOU是唯一考量的因素。 但是在实际应用场景中，当两个不同物体挨得很近时，由于IOU值比较大，往往经过NMS处理后，只剩下一个检测框，这样导

由于原始的NMS中，IoU指标用于抑制多余的检测框，但由于仅考虑了重叠区域，经常会造成错误的抑制，特别是在bbox包含的情况下。基于DIoU作为NMS标准，虽然多了距离这个维度去考虑问题，但和NMS面对的同样的情况是当两个不同的目标本身就靠的很近的时候还是会造成错误的抑制。具体意义在目标检测的预测阶段时，会输出许多候选的anchorbox，其中有很多是明显重叠的预测边界框都围绕着同一个目标，这时候就可以使用NMS来合并同一目标的类似边界框，或者说是保留这些边界框中最好的一个。...

非极大值抑制（Non-maximum supression）简称NMS，其作用是去除冗余的检测框，去冗余手段是剔除与极大值重叠较多的检测框结果。简单来说，非极大值抑制的作用就是模型检测出了很多框，我应该留下哪些。核心思想是搜索目标局部范围内的边界框置信度最大的这个最优值，去除目标邻域内的冗余边界框。

Python实现NMS、DIOU_NMS

在目标检测的后处理阶段我们需要用到NMS算法。 而在NMS算法里有一个步是需要计算当前score最大的框和其他框的IoU大小的。 针对这一步，我们可以进行优化，改变IoU的计算方式。 目前经典的IoU计算方式有GIoU,DIoU和CIoU。我们可以在传统的NMS算法中进行修改实现 CIoU NMS,DIoU NMS和GIoU NMS。 先看下传统的NMS算法的代码： def ori_nms(self, scores, boxes, iou_thres): if boxes.shape

改进YOLOv5、YOLOv7系列：修改NMS为：DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS

NMS (Non-Maximum Suppression，非极大值抑制)，是一种在计算机视觉领域常用的技术，。在目标检测任务中，算法通常会生成多个候选框来表示可能包含目标的区域。由于图像中的目标可能以不同的尺度和位置出现，这些候选框往往会有一定的重叠。在经典的NMS中，得分最高的检测框和其它检测框逐一计算出一个对应的IoU值，并将该值超过NMS threshold的框全部过滤掉。可以看出，在经典NMS算法中，IoU是唯一考量的因素。

目录 1.0 简介 5 2.0 设置环境 6 3.0 添加 Diou-nms 的步骤 7 3.1.安装精度检查器工具 7 3.2.编辑 “/opt/intel/openvino_2021/deployment_tools/open_model_zoo/tools/accuracy_checker/ac curacy_checker/postproces sor/nms.py” 7 4.0 用 DIoU-NMS 检查 yolo-v4-tf 模型的精度 10 4.1.下载和转换yolo-v4-tf 模型 10.

1.0 简介 Yolov4 模型于 2020 年中期推出，它的问世对深度学习目标检测领域产生了深远影响。为 取得成功，Yolov4 集成了许多一流的技术，其中包括改进的非极大值抑制 (NMS) 算法， 该算法使用距离交并比 (DIoU) 而非交并比 (IoU)。DIoU 总结了边界框回归中的两个几何因 素（即重叠区域和中心点距离），从而加快了收敛速度并提升了性能。 在本白皮书中，DIoU-NMS 函数将被添加到 OpenVINO™ 精度检查器工具中，以用于计算 yolov4 的正确预期精度。尽管 DIoU-

非极大抑制的功能：筛选出一定区域内属于同一种类得分最大的框大多数目标检测算法（稠密预测）在得到最终的预测结果时，特征图的每个位置都会输出多个检测结果，整个特征图上会出很多个重叠的框。例如要检测一辆车，可能会有多个bbox都把这辆车给框了出来，因此需要从这些bbox中选出框得最好的，删除掉其它的。要定义框得好与不好，就得看bbox的预测置信度；为了删掉重叠的多余的框，就得利用IoU来检查重叠程度。nms的局限性：对于IOU>阈值的两个相邻的检测框，传统的NMS的做法是将其得分暴力置零相当于直接舍弃。

目录Soft-NMSDIoU-NMS YOLOv4 = CSPDarknet53 + SPP + PAN + YOLOv3 YOLOv4采用的trick可以分为以下几类： 用于骨干网的 Bag of Freebies（BoF）：CutMix和Mosaic数据增强，DropBlock正则化，Label Smooth 用于骨干网的 Bag of Specials（BoS）：Mish，跨阶段部分连接（CSP），多输入加权剩余连接（MiWRC） 用于检测器的 Bag of Specials（BoS）：Mish，S

非最大值抑制（Non-Maximum Suppression，NMS）是目标检测算法中常用的后处理操作，用于消除预测框中的冗余和重叠，只保留最具代表性的预测框。传统的NMS算法基于IoU（Intersection over Union）度量进行计算，但IoU存在一些局限性，例如对尺度和形状敏感，难以区分正负样本等。为了克服IoU的局限性，研究人员提出了多种改进型NMS算法，例如DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS、SIoU-NMS和Soft-NMS等。

1.0简介 Yolov4 模型于2020 年中期推出，它的问世对深度学习目标检测领域产生了深远影响。为取得成功，Yolov4 集成了许多一流的技术，其中包括改进的非极大值抑制(NMS) 算法，该算法使用距离交并比(DIoU) 而非交并比(IoU)。DIoU 总结了边界框回归中的两个几何因素（即重叠区域和中心点距离），从而加快了收敛速度并提升了性能。 在本白皮书中，DIoU-NMS 函数将被添加到OpenVINO™ 精度检查器工具中，以用于计算yolov4 的正确预期精度。尽管DIoU-NMS 可帮助大幅

IoU厨师大赛