YOLOv8 自适应NMS

### YOLOv8中的自适应NMS 在目标检测任务中，非极大值抑制（Non-Maximum Suppression, NMS）用于消除冗余的边界框，保留最有可能的目标位置。YOLOv8引入了一种改进版本——自适应NMS（Adaptive Non-Maximum Suppression），旨在根据不同场景动态调整参数以优化检测效果。 #### 自适应NMS的工作原理 传统NMS依赖固定的阈值来决定哪些预测框应被移除。然而，在复杂环境中固定阈值可能不是最优选择。自适应NMS通过分析图像特征自动调节这些超参数： - **置信度分数**：对于高分区域采用更严格的过滤标准；而对于低分部分则放宽条件。 - **类别间差异处理**：当多个类别的物体重叠时，考虑它们之间的相对关系而非简单地依据IoU指标去除候选框[^1]。 #### 实现细节 以下是Python代码片段展示了如何在YOLOv8框架内实现这一机制： ```python def adaptive_nms(predictions, iou_threshold=0.5, score_threshold=0.7): """ Apply Adaptive Non Maximum Suppression on the predictions. Args: predictions (list): List of bounding boxes with their scores and classes. iou_threshold (float): Intersection over Union threshold for suppression. score_threshold (float): Minimum confidence score to consider a box valid. Returns: list: Filtered prediction results after applying ANMS. """ # Sort by descending order based on scores sorted_predictions = sorted(predictions, key=lambda x: x['score'], reverse=True) keep_indices = [] while len(sorted_predictions) > 0: current_box = sorted_predictions.pop(0) if current_box['score'] >= score_threshold: keep_indices.append(current_box) suppressed_boxes = [] for next_box in sorted_predictions[:]: if calculate_iou(current_box, next_box) > iou_threshold * adjust_factor(current_box, next_box): suppressed_boxes.append(next_box) sorted_predictions.remove(next_box) # Adjust factor can be defined as per specific requirements or learned from data def adjust_factor(box_a, box_b): pass return keep_indices # Helper function to compute IoU between two boxes def calculate_iou(boxA, boxB): ... ``` 此函数接受一组带有得分和分类标签的边界框作为输入，并返回经过筛选后的最终结果列表。`adjust_factor()`方法可以根据实际情况定义或从数据中学得，用来微调两个盒子间的比较逻辑[^2]。