招标网站哪个好,紫竹桥网站建设,做调查网站怎样换IP,大庆商城网站建设作者主页#xff1a;爱笑的男孩。的博客_CSDN博客-深度学习,YOLO,活动领域博主爱笑的男孩。擅长深度学习,YOLO,活动,等方面的知识,爱笑的男孩。关注算法,python,计算机视觉,图像处理,深度学习,pytorch,神经网络,opencv领域.https://blog.csdn.net/Code_and516?typecollect 个… 作者主页爱笑的男孩。的博客_CSDN博客-深度学习,YOLO,活动领域博主爱笑的男孩。擅长深度学习,YOLO,活动,等方面的知识,爱笑的男孩。关注算法,python,计算机视觉,图像处理,深度学习,pytorch,神经网络,opencv领域.https://blog.csdn.net/Code_and516?typecollect 个人介绍打工人。 分享内容机器学习、深度学习、python相关内容、日常BUG解决方法及WindowsLinux实践小技巧。 如发现文章有误麻烦请指出我会及时去纠正。有其他需要可以私信我或者发我邮箱:zhilong666foxmail.com 目录
非极大值抑制原理
NMS源码含注释
需要的依赖包
nms算法
绘图
全部代码
效果图 非极大值抑制原理 非极大值抑制Non-Maximum SuppressionNMS是一种图像处理中的技术。它通常用于目标检测中其主要作用是去除检测出来的冗余框只保留最有可能包含目标物体的框保留最优的检测结果。 在目标检测中我们通常使用一个检测器来检测出可能存在的物体并给出其位置和大小的预测框。然而同一个物体可能会被多次检测出来从而产生多个预测框。这时我们就需要使用NMS来去除掉这些重叠的框只保留最优的一个。 其基本原理是先在图像中找到所有可能包含目标物体的矩形区域并按照它们的置信度进行排列。然后从置信度最高的矩形开始遍历所有的矩形如果发现当前的矩形与前面任意一个矩形的重叠面积大于一个阈值则将当前矩形舍去。使得最终保留的预测框数量最少但同时又能够保证检测的准确性和召回率。具体的实现方法包括以下几个步骤 对于每个类别按照预测框的置信度进行排序将置信度最高的预测框作为基准。 从剩余的预测框中选择一个与基准框的重叠面积最大的框如果其重叠面积大于一定的阈值则将其删除。 对于剩余的预测框重复步骤2直到所有的重叠面积都小于阈值或者没有被删除的框剩余为止。 通过这样的方式NMS可以过滤掉所有与基准框重叠面积大于阈值的冗余框从而实现检测结果的优化。值得注意的是NMS的阈值通常需要根据具体的数据集和应用场景进行调整以兼顾准确性和召回率。 总结来说非极大值抑制原理是通过较高置信度的目标框作为基准筛选出与其重叠度较低的目标框从而去除掉冗余的目标框提高目标检测的精度和效率。
NMS源码含注释
需要的依赖包 import numpy as np
import matplotlib.pyplot as plt
#安装
#pip install numpy1.19.5 -i https://pypi.tuna.tsinghua.edu.cn/simple/
#pip install matplotlib3.2.2 -i https://pypi.tuna.tsinghua.edu.cn/simple/ nms算法
#nms 算法
def py_cpu_nms(dets, thresh):#边界框的坐标x1 dets[:, 0]#所有行第一列y1 dets[:, 1]#所有行第二列x2 dets[:, 2]#所有行第三列y2 dets[:, 3]#所有行第四列#计算边界框的面积areas (y2 - y1 1) * (x2 - x1 1) #(第四列 - 第二列 1) * (第三列 - 第一列 1)#执行度包围盒的信心分数scores dets[:, 4]#所有行第五列keep []#保留#按边界框的置信度得分排序 尾部加上[::-1] 倒序的意思 如果没有[::-1] argsort返回的是从小到大的index scores.argsort()[::-1]#对所有行的第五列进行从大到小排序返回索引值#迭代边界框while index.size 0: # 6 0, 3 0, 2 0i index[0] # every time the first is the biggst, and add it directly每次第一个是最大的直接加进去keep.append(i)#保存#计算并集上交点的纵坐标IOUx11 np.maximum(x1[i], x1[index[1:]]) # calculate the points of overlap计算重叠点y11 np.maximum(y1[i], y1[index[1:]]) # index[1:] 从下标为1的数开始直到结束x22 np.minimum(x2[i], x2[index[1:]])y22 np.minimum(y2[i], y2[index[1:]])#计算并集上的相交面积w np.maximum(0, x22 - x11 1) # the weights of overlap重叠权值、宽度h np.maximum(0, y22 - y11 1) # the height of overlap重叠高度overlaps w * h# 重叠部分、交集#IoUintersection-over-union的本质是搜索局部极大值抑制非极大值元素。即两个边界框的交集部分除以它们的并集。# 重叠部分 / 面积[i] 面积[索引[1:]] - 重叠部分ious overlaps / (areas[i] areas[index[1:]] - overlaps)#重叠部分就是交集iou 交集 / 并集print(ious, ious)# ious 0.7idx np.where(ious thresh)[0]#判断阈值print(idx, idx)index index[idx 1] # because index start from 1 因为下标从1开始return keep #返回保存的值
绘图 #画图函数
def plot_bbox(dets, ck):#c 颜色 默认黑色# 边界框的坐标x1 dets[:, 0] # 所有行第一列y1 dets[:, 1] # 所有行第二列x2 dets[:, 2] # 所有行第三列y2 dets[:, 3] # 所有行第四列plt.plot([x1, x2], [y1, y1], c)#绘图plt.plot([x1, x1], [y1, y2], c)#绘图plt.plot([x1, x2], [y2, y2], c)#绘图plt.plot([x2, x2], [y1, y2], c)#绘图plt.title(nms)#标题
全部代码
#导入数组包
import numpy as np
import matplotlib.pyplot as plt#画图包#画图函数
def plot_bbox(dets, ck):#c 颜色 默认黑色# 边界框的坐标x1 dets[:, 0] # 所有行第一列y1 dets[:, 1] # 所有行第二列x2 dets[:, 2] # 所有行第三列y2 dets[:, 3] # 所有行第四列plt.plot([x1, x2], [y1, y1], c)#绘图plt.plot([x1, x1], [y1, y2], c)#绘图plt.plot([x1, x2], [y2, y2], c)#绘图plt.plot([x2, x2], [y1, y2], c)#绘图plt.title(nms)#标题#nms 算法
def py_cpu_nms(dets, thresh):#边界框的坐标x1 dets[:, 0]#所有行第一列y1 dets[:, 1]#所有行第二列x2 dets[:, 2]#所有行第三列y2 dets[:, 3]#所有行第四列#计算边界框的面积areas (y2 - y1 1) * (x2 - x1 1) #(第四列 - 第二列 1) * (第三列 - 第一列 1)#执行度包围盒的信心分数scores dets[:, 4]#所有行第五列keep []#保留#按边界框的置信度得分排序 尾部加上[::-1] 倒序的意思 如果没有[::-1] argsort返回的是从小到大的index scores.argsort()[::-1]#对所有行的第五列进行从大到小排序返回索引值#迭代边界框while index.size 0: # 6 0, 3 0, 2 0i index[0] # every time the first is the biggst, and add it directly每次第一个是最大的直接加进去keep.append(i)#保存#计算并集上交点的纵坐标IOUx11 np.maximum(x1[i], x1[index[1:]]) # calculate the points of overlap计算重叠点y11 np.maximum(y1[i], y1[index[1:]]) # index[1:] 从下标为1的数开始直到结束x22 np.minimum(x2[i], x2[index[1:]])y22 np.minimum(y2[i], y2[index[1:]])#计算并集上的相交面积w np.maximum(0, x22 - x11 1) # the weights of overlap重叠权值、宽度h np.maximum(0, y22 - y11 1) # the height of overlap重叠高度overlaps w * h# 重叠部分、交集#IoUintersection-over-union的本质是搜索局部极大值抑制非极大值元素。即两个边界框的交集部分除以它们的并集。# 重叠部分 / 面积[i] 面积[索引[1:]] - 重叠部分ious overlaps / (areas[i] areas[index[1:]] - overlaps)#重叠部分就是交集iou 交集 / 并集print(ious, ious)# ious 0.7idx np.where(ious thresh)[0]#判断阈值print(idx, idx)index index[idx 1] # because index start from 1 因为下标从1开始return keep #返回保存的值def main():# 创建数组boxes np.array([[100, 100, 210, 210, 0.72],[250, 250, 420, 420, 0.8],[220, 220, 320, 330, 0.92],[100, 100, 210, 210, 0.72],[230, 240, 325, 330, 0.81],[220, 230, 315, 340, 0.9]])show(boxes)def show(boxes):plt.figure(1) # 画图窗口、图形plt.subplot(1, 2, 1) # 子图plot_bbox(boxes, k) # before nms 使用nms非极大抑制算法前plt.subplot(1, 2, 2) # 子图keep py_cpu_nms(boxes, thresh0.7) # nms非极大抑制算法print(keep)plot_bbox(boxes[keep], r) # after nms 使用nms非极大抑制算法后plt.show() # 显示图像if __name__ __main__:main()
效果图
