非极大值抑制（Non-Maximum Suppression, NMS）是目标检测后处理中的一种去重算法：模型通常会在同一个目标周围输出很多重叠的候选框，每个框带有类别和置信度。NMS 的目标是保留每个目标最可靠的一个框，抑制掉与它高度重叠的其他框。

基本流程

假设已有候选框集合 (B)，每个框有置信度 (s)：

1.先按置信度从高到低排序；

2.取出当前置信度最高的框 (M)，加入最终结果；

3.计算剩余框与 (M) 的 IoU（交并比）；

4.删除与 (M) 的 IoU 大于阈值(Nt)的框；

5.在剩余框中重复步骤 2–4，直到没有框为止。

伪代码：

NMS(B, threshold):

result = []

sort B by confidence descending

while B not empty:

M = B.pop_first() # 当前最高分框

result.append(M)

for box in B:

if IoU(M, box) > threshold:

remove box from B

return result

关键点

IoU 阈值：常见取 0.5、0.6、0.7 等。

o阈值太低：抑制太强，可能误删靠近的不同目标；

o阈值太高：抑制太弱，同一个目标可能保留多个框。

按类别分别做 NMS：多类别检测中，通常对每个类别独立执行 NMS，避免不同类别的框互相抑制。

先做置信度过滤：一般先去掉低置信度框，再做 NMS，减少计算量。

计算复杂度：朴素实现约为(O(N2))，框很多时可能较慢。

为什么需要 NMS

目标检测模型，尤其是基于锚框或密集预测的方法，会在同一目标附近产生多个高分框。NMS 通过“保留最高分、抑制高重叠框”的贪心策略，得到更干净、更简洁的检测结果。

常见变体

Soft-NMS：不是直接删除高 IoU 框，而是降低其置信度，适合密集目标；

GIoU-NMS / DIoU-NMS：用 GIoU、DIoU 替代 IoU 判断重叠；

Class-wise NMS：按类别分别抑制；

Batched NMS：GPU 上批量并行实现；

NMS-free 检测器：如 DETR 类方法，通过集合预测减少对 NMS 的依赖。

一句话总结：NMS 是目标检测中按置信度贪心保留最优框、删除与已保留框高度重叠候选框的后处理去重方法。