mmdetection改nms

mmdetection中的NMS过程在训练和测试配置中共有三处。在mmdetection框架中，利用faster rcnn进行训练时，涉及到NMS的有两个地方，三个过程。首先，在mmdet/models/dense_heads/rpn_head.py的231行左右的batched_nms方法中，用于消除RPN过程中部分重复的proposal，在训练和测试过程中都会出现。其次，在mmdet/models/roi_heads/bbox_heads/bbox_head.py的375行左右的multiclass_nms方法中，用于返回测试时预测框的NMS结果，只在测试时出现。通过找到NMS代码位置，我们可以对其结果进行可视化。具体代码如下所示。执行测试命令即可得到预测框的情况，无需重新训练。NMS的作用是消除冗余的预测框，从而得到最终的预测结果。在NMS之前，预测框的数量为1000个，而经过NMS之后，预测框的数量大大减小，且不存在一对多的情况。因此，对于基于anchor的方法来说，NMS非常重要。如果你觉得这个回答对你有帮助，请点个赞吧！让我知道有多少小伙伴在一起学习人工智能！\[1\]\[2\]
#### 引用[.reference_title]
- *1* *2* *3* [【mmdetection】— 可视化 NMS 前后的预测框](https://blog.csdn.net/weixin_46600060/article/details/125434978)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]