文章目录
*
– 前言
– 1. NMS概述
– 2. 绘制候选框
– 3. NMS代码实现
– 4. 完整代码
– 结束语
前言
本篇博客主要是介绍非极大值抑制 NMS算法的 python实现，并根据实例检测实现效果。
; 1. NMS概述
非极大值抑制 (Non-Maximum Supression, NMS)，顾名思义，就是抑制非极大值，在目标检测领域中经常使用到，主要是用来对候选框进行去重处理。
NMS算法的大致流程如下：
(1) 根据概率分数 score对候选框进行排序
(2) 选择概率分数最大的 bbox，记录这个 bbox到输出列表中，并删除和这个选框 IoU大于一定阈值的 bbox；
(3) 继续选择概率分数最大的边框，并添加到输出列表中，重复上处过程直至没有候选框为止。
2. 绘制候选框
以上述迪迦奥特曼为例，我们首先提供三个候选框，并在候选框的基础之上生成其他的候选框，实现代码如下：
import cv2
import numpy as np
import copy
seed = 10001
np.random.seed(seed)
bounding_boxes = [
[545, 125, 765, 440],
[890, 100, 1115, 430],
[1275, 170, 1490, 490]
]
confidence_score = [0.95, 0.98, 0.96]
num_anchor = 10
anchors = copy.deepcopy(bounding_boxes)
scores = copy.deepcopy(confidence_score)
if __name__ == '__main__':
img = cv2.imread('dijia.png')
for i in range(num_anchor):
index = np.random.randint(0, 3)
offset = np.random.randint(-50, 50, size=4)
score = np.random.uniform(0.5, 0.9)
anchors.append(list(bounding_boxes[index] - offset))
scores.append(round(score, 2))
for i in range(len(scores)):
cv2.rectangle(img, pt1=tuple(anchors[i][:2]), pt2=tuple(anchors[i][2:]), color=(0, 255, 0), thickness=2)
cv2.putText(img, text=str(scores[i]), org=tuple(anchors[i][:2]), fontFace=cv2.FONT_HERSHEY_SCRIPT_SIMPLEX,
fontScale=1, color=(255, 0, 255), thickness=2)
cv2.imshow('dijia', img)
cv2.waitKey()
cv2.imwrite('dijia1.png', img)
代码运行结果如下：
3. NMS代码实现
在实现 NMS算法之前先看一下 IoU是如何计算的：
IoU就是我们常说的交并比 (Intersection over Union, IoU)，顾名思义，就是交集与并集的比值，反映的是两个物体间的重合程度。计算公式如下：I o U = A ∩ B A ∪ B IoU = \frac{A \cap B} {A \cup B}I o U =A ∪B A ∩B
根据上图所示， IoU 就等于左边灰色面积与右边灰色面积的比值。
下面来看一下 NMS算法的具体实现：
def nms(bboxes, scores, threshold=0.5):
x1 = bboxes[:, 0]
y1 = bboxes[:, 1]
x2 = bboxes[:, 2]
y2 = bboxes[:, 3]
areas = (x2 - x1) * (y2 - y1)
order = scores.argsort()[::-1]
keep = []
while order.size > 0:
i = order[0]
keep.append(i)
if order.size == 1:
break
xx1 = np.maximum(x1[i], x1[order[1:]])
yy1 = np.maximum(y1[i], y1[order[1:]])
xx2 = np.minimum(x2[i], x2[order[1:]])
yy2 = np.minimum(y2[i], y2[order[1:]])
w = np.maximum(0.0, (xx2 - xx1))
h = np.maximum(0.0, (yy2 - yy1))
inter = w * h
iou = inter / (areas[i] + areas[order[1:]] - inter)
ids = np.where(iou threshold)[0]
order = order[ids + 1]
return keep
4. 完整代码
import cv2
import numpy as np
import copy
seed = 10001
np.random.seed(seed)
bounding_boxes = [
[545, 125, 765, 440],
[890, 100, 1115, 430],
[1275, 170, 1490, 490]
]
confidence_score = [0.95, 0.98, 0.96]
num_anchor = 10
anchors = copy.deepcopy(bounding_boxes)
scores = copy.deepcopy(confidence_score)
def nms(bboxes, scores, threshold=0.5):
x1 = bboxes[:, 0]
y1 = bboxes[:, 1]
x2 = bboxes[:, 2]
y2 = bboxes[:, 3]
areas = (x2 - x1) * (y2 - y1)
order = scores.argsort()[::-1]
keep = []
while order.size > 0:
i = order[0]
keep.append(i)
if order.size == 1:
break
xx1 = np.maximum(x1[i], x1[order[1:]])
yy1 = np.maximum(y1[i], y1[order[1:]])
xx2 = np.minimum(x2[i], x2[order[1:]])
yy2 = np.minimum(y2[i], y2[order[1:]])
w = np.maximum(0.0, (xx2 - xx1))
h = np.maximum(0.0, (yy2 - yy1))
inter = w * h
iou = inter / (areas[i] + areas[order[1:]] - inter)
ids = np.where(iou threshold)[0]
order = order[ids + 1]
return keep
if __name__ == '__main__':
img = cv2.imread('dijia.png')
for i in range(num_anchor):
index = np.random.randint(0, 3)
offset = np.random.randint(-50, 50, size=4)
score = np.random.uniform(0.5, 0.9)
anchors.append(list(bounding_boxes[index] - offset))
scores.append(round(score, 2))
anchors = np.asarray(anchors)
scores = np.asarray(scores)
keep = nms(anchors, scores, threshold=0.5)
proposals = anchors[keep]
proposals_score = scores[keep]
for i in range(len(proposals)):
cv2.rectangle(img, pt1=tuple(proposals[i][:2]), pt2=tuple(proposals[i][2:]), color=(0, 255, 0), thickness=2)
cv2.putText(img, text=str(proposals_score[i]), org=tuple(proposals[i][:2]), fontFace=cv2.FONT_HERSHEY_SCRIPT_SIMPLEX,
fontScale=1, color=(255, 0, 255), thickness=2)
cv2.imshow('dijia', img)
cv2.waitKey()
cv2.imwrite('dijia2.png', img)
代码运行如下：
结束语
从 NMS的实现代码中可以看到主要是对数组的操作，而这部分可以通过 GPU进行加速处理，比如 PyToch， PaddlePaddle等深度学习框架，其目标检测模块中的 NMS算法已经内置实现，可以直接在 GPU上使用。
Original: https://blog.csdn.net/qq_42730750/article/details/126235745
Author: 夏小悠
Title: 非极大值抑制算法(NMS)的python实现
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/629530/
转载文章受原作者版权保护。转载请注明原作者出处！