企业网站开发实训心得,北京做校园的网站,广州培训网站建设,WordPress5新版文章标签步骤
置信度排序#xff1a;首先根据预测框的置信度#xff08;即预测框包含目标物体的概率#xff09;对所有预测框进行降序排序。选择最佳预测框#xff1a;选择置信度最高的预测框作为参考框。计算IoU#xff1a;计算其他所有预测框与参考框的交并比#xff08;Inter…步骤
置信度排序首先根据预测框的置信度即预测框包含目标物体的概率对所有预测框进行降序排序。选择最佳预测框选择置信度最高的预测框作为参考框。计算IoU计算其他所有预测框与参考框的交并比Intersection over Union, IoU。抑制删除IoU高于某个阈值的所有预测框因为这些框与参考框重叠太多可能是重复预测。迭代从剩余的预测框中选择置信度最高的作为新的参考框重复步骤3和4直到所有预测框都被处理。
代码实现
导入必要的库
import numpy as np定义计算IoU的函数
def iou(boxA, boxB):# 计算两个边界框的交集坐标xA max(boxA[0], boxB[0])yA max(boxA[1], boxB[1])xB min(boxA[2], boxB[2])yB min(boxA[3], boxB[3])# 计算交集面积interArea max(0, xB - xA) * max(0, yB - yA)# 计算每个边界框的面积boxAArea (boxA[2] - boxA[0]) * (boxA[3] - boxA[1])boxBArea (boxB[2] - boxB[0]) * (boxB[3] - boxB[1])# 计算并集面积unionArea boxAArea boxBArea - interArea# 计算IoUiou interArea / unionArea if unionArea ! 0 else 0return iou定义NMS函数
def nms(boxes, scores, iou_threshold):picked [] # 存储被选择的边界框索引indexes np.argsort(scores)[::-1] # 按分数降序排列索引while len(indexes) 0:current indexes[0]picked.append(current) # 选择当前最高分的边界框indexes indexes[1:] # 移除当前最高分的索引# 检查剩余边界框与当前选择框的IoU如果大于阈值则抑制indexes [i for i in indexes if iou(boxes[current], boxes[i]) iou_threshold]return picked示例使用
# 假设boxes和scores是模型预测的边界框和分数
boxes np.array([[50, 50, 100, 100], [60, 60, 110, 110], [200, 200, 300, 300]])
scores np.array([0.9, 0.75, 0.8])# 设置IoU阈值
iou_threshold 0.5# 执行NMS
picked_boxes nms(boxes, scores, iou_threshold)print(Selected box indices:, picked_boxes)注意
边界框通常以(x1, y1, x2, y2)的格式表示其中(x1, y1)是左上角坐标(x2, y2)是右下角坐标。
Code
完整示例代码已上传至Machine Learning and Deep Learning Algorithms with NumPy 此项目包含更多AI相关的算法numpy实现供大家学习参考使用欢迎star~
备注
个人水平有限有问题随时交流~
