# NMS 不看真值，评价匹配必须看真值
[独立阅读](/course/blocks/nms-versus-matching.html)**课堂上下文：从哪个问题来**
三个重叠预测可能对应一只杯子。NMS 用预测之间的分数与重叠整理重复，评价匹配则使用真值，二者不是同一操作。先看三框算例，再看同一真实教学检测器放宽 NMS 后召回和精度的相反变化。


NMS 从预测框中整理重复。按类别与分数排序，保留最高分框 A，再抑制与 A 的 IoU 大于阈值的同类低分框，然后继续。输入只有预测框、分数和类别，不需要人工真值。



回到 P34 同一杯子上的三个框。A、B、C 的教学分数分别为 0.90、0.80、0.60；IoU(A,B)≈0.90，IoU(A,C)≈0.88。按分数先保留 A，在 NMS 阈值为 0.5 时，B 和 C 都与 A 过度重叠，因此都被抑制。蓝杯的另一个框与 A 不重叠，仍然保留。这里比较的是预测框彼此之间的重叠，还没有使用真值。



若把阈值放宽到 0.90，在本例原始坐标下，IoU(A,B)=0.8950778、IoU(A,C)=0.8774870，都没有超过阈值；重复框便可能继续留下。因此判定应使用未四舍五入的 IoU，图中 0.90 只是显示精度。下一步评价才用真值判断它们是在补漏检还是重复命中。



若两只真实杯子互相遮挡，两个正确框也可能高度重叠。将 `(0,0,2,2)` 与 `(.5,0,2.5,2)` 当作两只对象的框，交集 3、并集 5，IoU=.6；NMS=.5 就可能删掉较低分的真对象。它以几何重叠近似重复，没有直接知道对象身份。



评价再用保留下来的框与人工对象对应。重复命中同一真值只允许一次计为 TP，其余是 FP；漏掉的对象降低 recall。模型预测、后处理、评价三层分开，就能解释为什么“放宽 NMS 得到更多框”既可能补召回，也可能伤精度。



图内标签与数值：Lecture 03 课堂图解 P34；保留 A；B、C 与它过度重叠；教学分数 / IoU 阈值 0.5；A  0.90   保留；B  0.80   抑制；C  0.60   抑制；另一只杯子仍然保留；拥挤对象也可能互相压制；按同类别分数排序，抑制 IoU > 0.5 的重叠预测；分数是教学设定。

同一红杯上的 A、B、C：阈值0.5保留A、抑制B和C；蓝杯独立框继续保留。比较预测之间的IoU，不使用真值。 查看对应图解状态

- 保留 A；B、C 与它过度重叠
- 教学分数 / IoU 阈值 0.5
- A 0.90 保留
- B 0.80 抑制
- C 0.60 抑制
- 另一只杯子仍然保留
- 拥挤对象也可能互相压制
- 按同类别分数排序，抑制 IoU > 0.5 的重叠预测；分数是教学设定。同一红杯上的 A、B、C：阈值0.5保留A、抑制B和C；蓝杯独立框继续保留。比较预测之间的IoU，不使用真值。 [查看对应图解状态](/#/l3-r2-p34/1)[查看完整图解](/#/l3-r2-p34/1)

## 继续阅读与实验