python nms 纯手写

非极大值抑制（Non-Maximum Suppression, NMS）是一个用于对象检测中处理重叠预测框的经典技术，特别是在基于滑动窗口或锚点的方法（如Faster R-CNN、YOLO等）中，经常用来从多个候选区域中选择概率最高的那一个。在Python中，纯手写NMS通常涉及以下几个步骤：

1. **计算IoU（交并比）**：对于每一个候选框，与其他框计算它们的交集和并集，从而得到IoU分数。

2. **排序和初始化得分**：根据每个框的置信度（通常是分类器输出的概率），对所有框按得分降序排列。

3. **遍历并筛选**：从最高分的框开始，如果当前框和其他某个框的IoU大于预设的阈值（比如0.5或0.7），则保留得分较高的框，并舍弃IoU较高的那个。

4. **更新结果**：每次迭代后，保留的框集合都会更新，直到没有其他框满足IoU条件为止。

下面是简单的Python代码示例（假设`scores`是一个包含每个框得分的一维数组，`boxes`是一个包含每个框坐标信息的二维数组）：

def non_max_suppression(boxes, scores, iou_threshold=0.5):
    indices = np.argsort(scores)[::-1]  # 按得分降序排列
    suppressed = set()  # 存储已处理过的框索引

    result = []  # 最终结果
    for idx in indices:
        if idx not in suppressed:
            # 如果框未被处理过
            result.append((boxes[idx], scores[idx]))
            suppressed.add(idx)  # 添加到已处理列表

            # 遍历剩余框，检查IoU是否超过阈值
            for other_idx in range(len(indices)):
                if other_idx not in suppressed and IoU(boxes[idx], boxes[other_idx]) > iou_threshold:
                    suppressed.add(other_idx)

    return result  # 返回最终不重叠的框及其得分


# 自定义IoU函数
def IoU(box1, box2):
    # 计算两个矩形的IoU
    xA, yA, xB, yB = box1
   xAo, yAo, xBo, yBo = box2
    interArea = max(0, min(xB, xBo) - max(xA, xAo)) * max(0, min(yB, yBo) - max(yA, yAo))
    boxAArea = (xB - xA) * (yB - yA)
    boxBArea = (xBo - xAo) * (yBo - yAo)
    return interArea / float(boxAArea + boxBArea - interArea)