核心要点
IoU = 两框交集面积 / 并集面积，取值 0~1，衡量框的重叠程度
IoU 既用于训练时判正负样本，也用于评估时判定 TP（如 IoU≥0.5）
NMS：按置信度降序，保留最高分框，删掉与它 IoU 超阈值的其余框
阈值要权衡：NMS 阈值过低会漏检密集目标，过高会留下重复框
标准回答
IoU（Intersection over Union）
两个边界框交集面积除以并集面积，即 IoU = 交集 / 并集，范围 [0,1]。值越大重叠越多。它是检测里最核心的几何度量：训练时按 IoU 把 anchor 划为正/负样本；评估 mAP 时按 IoU 阈值（如 0.5、0.75）判定预测框是否命中真值。
NMS（非极大值抑制）
模型对同一物体常输出多个高度重叠的框，NMS 用来去重。流程：
- 按置信度对所有框降序排序
- 取分数最高的框作为保留框
- 计算其余框与它的 IoU，删除 IoU 超过阈值（如 0.5）的框
- 在剩余框上重复，直到全部处理完
变体 Soft-NMS 不直接删除而是按 IoU 衰减分数，缓解密集场景误删。
常见误区
⚠️ 常见踩坑
NMS 是跨类别还是按类别要看实现，标准做法是逐类别独立执行；NMS 阈值与评估 IoU 阈值是两回事，不要混为一谈。
追问
追问 1：NMS 阈值设置过高或过低会怎样？
阈值过高（更宽松）会保留大量重叠框，造成重复检测、精确率下降；阈值过低（更严格）会把密集排列的相邻目标误删，造成漏检、召回下降。需结合场景（如人群密集）调参，或用 Soft-NMS。
追问 2：Soft-NMS 相比标准 NMS 改进了什么？
标准 NMS 对重叠超阈值的框直接置零删除，密集目标易误删。Soft-NMS 改为按与保留框的 IoU 连续衰减其置信度（IoU 越大衰减越多），让本属于另一目标的高分框得以保留，通常能提升密集场景的召回与 mAP。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
🛠️ AI 工具