1. NMS到底在解决什么问题先看检测模型的最后一步做目标检测的人几乎天天跟NMSNon-Maximum Suppression非极大值抑制打交道。但说实话很多人对它的理解停留在把重复的框去掉这个层面问深一点就含糊了。我在实际项目里带过不少新人发现大家对NMS的认知断层往往出现在同一个地方他们不知道NMS在整条检测链路里的位置和它存在的根本理由。先把这个基础夯实。一个典型的目标检测模型不管是Faster R-CNN、YOLO还是SSD推理输出的原始结果是什么是一大堆候选框每个框带有类别置信度分数和位置坐标。这些框不是整齐地每个目标一个而是成千上万个密密麻麻的预测框。以YOLOv5默认配置为例640x640输入下三个尺度输出叠加起来单张图就能产生超过两万个候选框。而一张图里通常只有几十个目标。这多出来的两万个框哪来的因为模型在训练时是让特征图上的每个格子、每个anchor都去尝试预测目标多个相邻位置自然会对同一个物体产生响应。你从高到低看这些框的置信度会发现同一个目标周围往往聚集着十几个甚至几十个框彼此高度重叠IoUIntersection over Union交并比常常超过0.8。如果全留着检测结果根本没法看——一个目标被几十个框框住实际应用里完全不可用。NMS就是干这件事的从这一堆杂乱无章的候选框里把冗余的、置信度低的、重叠过度的框压下去只保留每个目标周围最可信的那一个。它不参与模型的参数学习不做任何梯度回传纯粹是推理阶段的后处理步骤。这决定了它的设计哲学——必须在尽可能不误杀和尽可能不重复之间找平衡而且速度必须够快不能因为后处理拖慢整个模型的推理延迟。有个经常被忽略的点值得提一句NMS虽然是老技术但在2023年之后由于Transformer类检测器如DETR系列开始绕过anchor输出方式改成一组固定的物体查询NMS在整个流程中的必要性被反复讨论过。但主流工业级方案里NMS依然是不可替代的核心后处理组件。理解它、用好它仍然是做检测落地的基本功。2. 经典NMS的同款原理排序、抑制、迭代的循环逻辑经典NMS的逻辑极其朴素一句话就能说清楚把候选框按分数从高到低排序选分数最高的框作为基准然后剔除所有跟它重叠程度超过设定阈值的框再在剩下的框里重复这个过程直到没有候选框剩余。但朴素不等于简单里面每一个细节都藏着可以深挖的点。2.1 从分数排序到IoU计算手写一遍才算真懂我建议所有人至少手写一次NMS不用NumPy都行。核心流程分四步第一步排序。把所有候选框按置信度分数从大到小排列得到一个有序列表。这个排序是整个算法的起点分数最高的框意味着模型对它最有把握优先成为被保留的对象。第二步选基准框。取当前分数最高的框加入最终结果集合同时把它从候选列表中移除。第三步计算重叠度。把基准框跟候选列表里剩下的每一个框计算IoU。IoU的定义是交集面积除以并集面积计算上就是两组坐标的几何运算。具体来说两个框的交集矩形坐标由max(x1)、max(y1)、min(x2)、min(y2)确定如果这个交集矩形不存在出现负数宽高或零面积说明两个框根本没有重叠IoU为0。第四步阈值抑制。所有IoU大于设定阈值的框直接丢弃。剩下的框回到第二步继续循环直到候选列表为空。整个算法的复杂度是O(n²)n是候选框数量。两万个框如果直接两两计算IoU单张图就要跑上亿次浮点运算。所以实际工程实现里第一步排序后通常不会对全部候选框从头到尾做NMS而是只取分数排名靠前的几千个框参与计算比如TopK设为2000或5000这在YOLO系列推理代码里是标准操作。这个细节后面工程优化部分再展开。2.2 IoU的具体计算与坐标表示方式说到IoU要分清楚两种坐标格式。一种是(x1, y1, x2, y2)即左上角和右下角坐标另一种是(cx, cy, w, h)即中心点加宽高。计算IoU前必须统一格式否则全是bug。我自己写过一个极简实现分享出来给入门的朋友def nms_simple(boxes, scores, iou_threshold0.5): boxes: (N, 4) 格式为 [x1, y1, x2, y2] scores: (N,) order scores.argsort()[::-1] # 按分数降序 keep [] while order.size 0: i order[0] keep.append(i) # 计算当前基准框与剩余所有框的IoU xx1 np.maximum(boxes[i, 0], boxes[order[1:], 0]) yy1 np.maximum(boxes[i, 1], boxes[order[1:], 1]) xx2 np.minimum(boxes[i, 2], boxes[order[1:], 2]) yy2 np.minimum(boxes[i, 3], boxes[order[1:], 3]) w np.maximum(0.0, xx2 - xx1) h np.maximum(0.0, yy2 - yy1) inter w * h area_i (boxes[i, 2] - boxes[i, 0]) * (boxes[i, 3] - boxes[i, 1]) area_rest (boxes[order[1:], 2] - boxes[order[1:], 0]) * \ (boxes[order[1:], 3] - boxes[order[1:], 1]) union area_i area_rest - inter iou inter / (union 1e-6) # 保留IoU小于阈值的框其余丢弃 inds np.where(iou iou_threshold)[0] order order[inds 1] return keep这段代码有两点要留意一是order order[inds 1]这行的偏移因为iou数组是从order[1:]开始计算的所以索引对应关系要整体加1这是初学者最容易写错的地方二是分母加1e-6防止除零——两个完全分离的框交集为0但极端情况下两个完全一样的框并集不为0不存在问题不过分母加个微小量总是更稳妥。2.3 阈值怎么选0.5还是0.7背后的trade-offIoU阈值是NMS里唯一的超参数它直接控制抑制力度。阈值设小比如0.3意味着只要两个框稍微有点重叠就会被干掉保留下来的框很少检测结果偏稀疏容易漏掉靠得近的多个目标阈值设大比如0.7意味着只有高度重叠的框才会被干掉能保留更多候选但同一个目标可能出现多个输出框。实践中常见的选择是0.5到0.6COCO评测里标准就是IoU0.5和0.5:0.95两档。但具体到业务场景这个数字一定要调。我做交通场景车辆检测时踩过坑高速公路上密集车流车与车之间遮挡严重IoU阈值设0.5两辆前后紧贴的车一个框把另一个框的置信度直接压没了结果漏检率明显上升。后来把阈值调整到0.65漏检显著改善但同一辆车偶尔会输出两个框。最后靠的是给NMS加了一个按类别分开处理的策略解决——这正是下一章要讲的内容。3. 多类别NMS类别循环与跨类别抑制的争论实际项目里几乎没有单类别检测的场景。COCO有80类业务模型动辄几十个类别。这时候NMS的多类别处理就必须明确同一个类别内部的框要抑制不同类别的框要不要也抑制3.1 两个循环与一个关键分支多类别NMS的标准做法是类别循环内嵌NMS循环。外层遍历所有类别内层对每个类别单独做经典NMS。伪代码如下def multiclass_nms(boxes, scores, class_ids, iou_threshold0.5): boxes: (N, 4) scores: (N,) —— 每框最高的类别分数 class_ids: (N,) —— 每框所属的类别 keep [] for cls in set(class_ids): cls_mask class_ids cls cls_boxes boxes[cls_mask] cls_scores scores[cls_mask] cls_keep nms_simple(cls_boxes, cls_scores, iou_threshold) keep.extend(cls_keep) return keep这个写法的默认逻辑是不同类别之间不做互相抑制一个区域可以同时输出一个人框和一台自行车框。这个逻辑在大多数场景下是正确的。因为同一个物理位置出现两个不同类别的目标完全合理——比如行人手里抱着猫或者人骑在自行车上bike类别和person类别的框高度重叠。跨类别抑制反而会误删合法结果。但有一个例外当你的类别体系里本身就有语义包含关系时比如车辆和小轿车同时作为两个类别存在或者行人和骑行的人同时出现那么一个目标可能同时被两个类别的高分框覆盖。此时如果完全不做跨类别抑制输出结果会很滑稽——同一个目标输出两个不同类别的框。这种场景下要么在数据层面重新梳理类别体系要么显式做一次跨类别NMS兜底。3.2 跨类别NMS的实现方式跨类别NMS就是把类别循环去掉对全部框统一做一次NMS。实现上只需一行改动不需要按类别分组直接用所有框按分数排序执行经典NMS流程。这样做的结果是一个区域内分数高的类别会压掉分数低的类别。实际工程里我见过的落地框架比如Detectron2、MMDetection都把这两种模式做成可配置项。MMDetection里对应的是nms_cross_class或multiclass_nms的match_low_quality参数Detectron2里则有nms_adaptive的扩展。因为谁都不能替业务场景打包票说必须跨类别或必须不跨类别这个开关得留给使用者。我的经验是默认按类别分开做NMS不要跨类别。理由很简单——不同类别的目标重叠出现是检测任务的常态不是反常。只有类别语义本身存在父子关系、包含关系时才需要单独加一层跨类别抑制。你可以在最终输出阶段做一个类别优先级的跨类别NMS比如定义优先级列表低优先级类别与高优先级类别IoU超过阈值时低优先级被抑制。这种方案比一刀切的跨类别NMS更可控。3.3 NMS在不同检测架构中的调用位置差异多类别NMS在推理流程里还有一个容易混淆的细节它到底在哪里执行、处理的是哪些框在Faster R-CNN类两阶段检测器中NMS出现在两个地方。第一个是RPN阶段对区域提议框做一次NMS把几万个提议框压缩到几百个比如训练时2000个推理时300个这个NMS的阈值通常较低0.7因为RPN阶段置信度本身不是最终分类分数不需要压太狠第二个是在分类回归之后对每个类别的最终框再执行一次NMS。注意两阶段检测器在第二阶段的NMS处理的是经过分类分数加权的框分数来自分类头的softmax输出。在YOLO、SSD这类单阶段检测器中NMS只在最终输出阶段执行一次处理的是模型直接输出的所有候选框。因为单阶段模型没有区域提议阶段候选框从特征图的不同尺度和不同位置直接产生数量巨大但质量参差NMS就承担了主要的冗余清理工作。不同架构的差异直接影响NMS的输入规模。两阶段检测器第一轮NMS已经大幅压缩了候选框数量第二轮NMS的输入通常几百个框速度快单阶段检测器的NMS面对的是几万个框对实现性能的要求高得多。这也是为什么很多工程优化方案比如TensorRT里的EfficientNMS插件优先针对单阶段模型做优化——因为收益更明显。4. NMS的固有缺陷捡了速度丢了精度的地方经典NMS在工业界用了这么多年经过了无数项目检验但它的问题同样根深蒂固。这些问题不是实现层面的bug而是设计范式本身的局限——解码这段历史对理解后续各种改进方案至关重要。4.1 置信度一刀切低分真框被误杀经典NMS的抑制逻辑根植于一个隐含假设分数高的框必然比分数低的框更准确。这在理想情况下成立但在真实的检测场景里经常被打破。视觉上容易被混淆的目标——远距离的小目标、被严重遮挡的目标、光照异常下的目标——模型给出的置信度天然就低。但它们的框可能是完全正确的。当旁边出现一个IoU超过阈值的干扰框可能只是模型对同一区域产生的另一个偏移预测时NMS会根据分数高低把低分框杀掉。可事实是那个低分框才是真正贴着目标的。这类问题在密集小目标场景航拍图像、细胞检测、人群计数中尤其致命。我记得有次做航拍车辆检测一个中等大小的停车场车辆尺寸小、排列紧密模型对每一辆车的置信度普遍只有0.4~0.5。NMS阈值0.5时高分的重复框把低分的真框全压掉了检测结果稀稀拉拉。当时YOLO模型本身的召回率其实不差真正的损失全发生在NMS这一步。这也是Soft-NMS这类方法出现的动机——它们不再对重叠框做非零即一的硬抑制而是把抑制变成分数的软惩罚。逻辑很直白既然低分框可能是真框我不要把它彻底删掉只是降低它的分数。如果它降完分之后还能超过最终置信度阈值那就保留它。4.2 阈值固定的两难困境固定IoU阈值还有一个深层矛盾0.5的阈值对稀疏场景是合适的但到了密集场景就会误杀0.7的阈值在密集场景表现不错但在稀疏场景会导致同一个目标输出多个重复框。你永远找不到一个固定阈值同时在两种场景下都最优。这背后是目标分布不均匀的问题。一张真实图像里目标密度差异极大——图片上方可能是一小簇密集人群下方只有一个单独的汽车。用同一个NMS阈值处理整张图的不同区域本质上是用全局策略处理局部问题。这也是后来Adaptive NMS出现的动机根据目标的密度分布动态调整抑制阈值。4.3 对遮挡目标的无能为力工业界反馈最多的一个痛点是遮挡。两个同类别目标高度重叠时比如前后排列的两辆车、人群里紧挨的两个行人经典NMS很难同时保留两个框。原因在原理层面就很清晰当两个目标的框IoU超过阈值时按照局部最高分数优先的贪心逻辑分数低的那个框必然被抑制。但分数低不等于目标不存在——它只是模型对这个目标的把握度相对弱而这个相对弱恰恰可能是遮挡导致的。我做过一个行人检测项目商场监控场景两个人擦肩而过的那一帧模型分别给两个行人框打了0.85和0.72的分数两个框IoU约0.6。经典NMS阈值0.5时0.72分的框直接被删。但0.72分那个框对应的是后面那个人只是在那一瞬间被遮挡了一部分。从整段视频看这两条轨迹应该是一前一后两条独立的检测序列。NMS在单帧上的误删直接导致跟踪算法产生id switch。这个问题直到现在也没有完美解法只能靠改进NMS策略缓解。比如Soft-NMS虽然会保留低分框但如果真的靠降低分数硬保后面的置信度阈值又可能把它滤掉又比如把NMS和跟踪模块联动用时序信息辅助判断——但这就超出纯后处理范畴了。4.4 分数无法反映定位质量最后一个常被忽视的缺陷是NMS使用的分数分类置信度与框的定位质量IoU与GT的准确度并不是严格正相关的。一个置信度0.9的框定位可能偏移十几个像素旁边一个置信度0.8的框定位却精准对齐。按NMS逻辑高置信度框胜出但结果反而不如低分框。这类情况在模型训练不充分、类别混淆明显的任务里频繁出现。所以近年的改进思路里有个关键分支让分数本身更可信。Softer-NMS的思路就是用KL散度预测每个框的定位不确定性把这个框可能有多准显式建模出来。IoU-Net则直接用一个分支预测每个框的IoUNMS时用预测IoU代替分类分数作为排序依据。你看改进的核心不是修改NMS的循环逻辑而是换掉它输入数据的权重来源——这给了我们一个新的看待NMS的角度NMS的瓶颈不只在算法本身还在前置链路给它的信号质量问题。5. 各路改进方法横评Soft-NMS到DIoU-NMS的演进脉络NMS的改进方法这么多年积累了非常多的版本名字多到让人眼花缭乱Soft-NMS、Softer-NMS、DIoU-NMS、CIoU-NMS、Adaptive NMS、Weighted NMS、IoU-Net、NMS-free……如果一个个零散地看很容易迷失在细节里。我的建议是抓主干——这些方法本质上都在这条逻辑链上做文章排序依据、抑制策略、度量方式、阈值策略。5.1 Soft-NMS线性/高斯加权替代硬抑制Soft-NMS是最早、也是影响力最大的NMS改进之一由ICCV 2017提出。核心变化就一处不再把IoU超过阈值的框直接删掉而是一个惩罚函数降低它的分数。重叠程度越高分数压得越狠。实现上有两种常用惩罚函数。线性加权score score * (1 - iou) # 当iou threshold时高斯加权score score * exp(-iou² / sigma)线性版本逻辑更直观但缺点是惩罚曲线在阈值处有跳变IoU略低于阈值时分数不变略高于阈值时突然乘一个系数对边界情况不稳定。高斯版本曲线平滑实践效果更可控我推荐优先尝试高斯版本。Soft-NMS的实际收益在密集场景非常明显。还是回到航拍车辆检测的场景当时我把硬NMS换成Soft-NMSsigma0.5KITTI车辆检测的最终AP提升了大概2个百分点左右主要是召回率上来了。代价是推理多了一点计算量——因为不能提前剪枝那些高分框所有候选框都要过一遍惩罚计算。一个实现上的细节Soft-NMS输出结果的最终框数量会比硬NMS多因为很多低分框被保下来了。这意味着后面的置信度阈值设置需要联动调整不能沿用老参数。否则低分框虽然被保但被置信度阈值滤掉改进就白做了。我见过不少掉进这个坑的开发。他们换了Soft-NMSAP涨了但在部署时发现输出框太多就把置信度阈值调高结果AP又降回去了。正确的做法是把置信度阈值调低一些从0.5降到0.35~0.4这样让Soft-NMS的软保留空间真正发挥作用然后再统计看效果。5.2 DIoU-NMS与CIoU-NMS把几何距离纳入抑制度量接下来重点说DIoU-NMS。这个方法的出发点非常务实传统NMS只用IoU衡量两个框的重叠程度但IoU只反映了面积的交并比没反映中心点的距离。同样IoU0.6的两个框可能有两种截然不同的空间关系一种是中心点几乎重合只差一些边缘的偏移另一种是中心点相距很远只是面积大导致IoU偏高。前者更像是重复检测同一个目标后者则可能是两个相邻目标。如果只看IoU这两种情况被一刀切了。DIoU-NMS把两个框中心点的归一化距离引入抑制判据。它的抑制条件改成IoU - R_DIoU threshold其中R_DIoU是两框中心点距离跟最小闭包框对角线的比值。中心点距离越近R_DIoU越小两个框越容易被判定为同一个目标而抑制反过来中心点距离远的两个框即使IoU偏高也不会被误杀。这个思路在实际场景的效果显著特别是在同类目标紧密排列的场景车辆排队、货架上的商品。我做货架商品检测时对比过同一种饮料瓶挨着摆相邻瓶子的框IoU高达0.65经典NMS直接杀掉了其中一个DIoU-NMS因为中心点距离大正确保留了两个框检测AP提升明显。DIoU-NMS唯一的风险是中心点距离作为度量在极端情况下可能让同一个目标的两个大偏移框也被保留——因为中心点偏太远R_DIoU太大抑制条件不成立。所以DIoU-NMS适合的是目标之间有物理间隔的场景用在完全紧密贴合的场景时阈值需要重新调。CIoU-NMS是DIoU-NMS的进阶版在中心点距离基础上又加了宽高比的差异惩罚。如果两个框宽高比差异很大即使中心点重合也不太可能是同一个目标。这个改进在目标形态差异大的类别体系里比较有用。但说实话多数场景里DIoU-NMS已经够用CIoU的增益边际效用在下降而且要额外计算宽高比差异工程实现成本更高。5.3 Softer-NMS用方差衡量定位置信度Softer-NMS走的是前面提到的第四条路线——不修改抑制策略而是修改排序依据。它的思路是模型在预测框坐标时除了输出框位置还要输出每个坐标的不确定性方差。这个方差通过一个额外的回归头得到训练时用KL散度作为损失函数。推理时NMS的排序依据从分类置信度换成预测IoU或定位置信度同时被抑制的框不是简单丢弃而是把自己携带的位置信息贡献给被保留的框——相当于用加权平均的方式融合多个框的位置得到更精确的最终框。这个方法的精度提升确实有尤其在定位精度要求高的任务比如自动驾驶的3D检测前置的2D框上表现明显。但它的引入门槛也高需要改模型头结构、改训练损失等于动了整个训练管线。如果你只是想在推理阶段快速提升效果Soft-NMS或DIoU-NMS的收益/成本比要划算得多。Softer-NMS更适合那种检测框精度就是核心竞争力的项目值得为它付出改造训练流程的成本。5.4 其他值得关注的方向Adaptive NMS、Weighted NMS与NMS-freeAdaptive NMS的核心是让抑制阈值随目标的分布密度自适应。具体做法是用一个密度预测分支对每个框预测周围目标密度密度高的区域用更低的IoU阈值减少误杀密度低的区域用高阈值保留更多框。这个方法在人群检测领域效果突出因为它从根本上回应了全局固定阈值无法适应局部密度差异的结构性缺陷。缺点是同样需要改训练管线增加密度预测分支的监督信号。Weighted NMS也叫加权NMS是另一种思路。它不直接选最高分框而是把一组重叠的框按置信度加权融合成一个新框。注意这不是选框而是合框——输出框的坐标可以通过加权平均的方式更精确。这个方法在TTATest-Time Augmentation测试时增强场景下特别有用因为同一个目标在多次增强推理下会产生一组高度重叠且置信度接近的框加权融合能极大提升定位稳定性。NMS-free则走的是另一条路线——既然NMS有一堆毛病能不能从模型侧直接消灭NMSDETR系列就是代表它用集合预测 二分匹配让模型端到端地学会不产生冗余框。但从工程角度NMS-free的模型在推理上并不天然更快DETR的收敛速度也一直是个问题。我的判断是在未来相当长时间里NMS及其变体仍然占据工程落地的主流NMS-free是长期演进方向但短期替代不了。我整理了一个对比表格方便做技术选型时快速对照方法改进维度实现成本适用场景不适用场景经典NMS基准极低通用密集、遮挡场景Soft-NMS抑制策略低密集小目标对框数敏感的输出管线DIoU-NMS度量方式低同类目标紧邻目标完全贴合无间隔Softer-NMS排序依据高需改训练高定位精度要求追求快速迭代的项目Adaptive NMS阈值策略高需改训练人群/密集场景目标分布均匀的场景Weighted NMS框融合中TTA、高精度落地需要单个最大响应框的场景6. 工程落地经验选型思路、性能优化与依赖关系纸上谈兵聊了这么多最终还是要落到工程部署。NMS看起来就几十行代码但在真实项目里把它做好涉及的坑一点都不比模型训练少。6.1 不同业务场景的NMS选型建议我自己的一套选型逻辑是这样的分享给各位参考第一步先复现基线。把你当前用的NMS换成同样的标准实现测出当前指标。第二步做一次密集场景压力测试。找一批目标密集的验证集看NMS导致的漏检率。如果漏检明显比如跟GT对比大量漏框都是由重叠抑制导致的优先尝试Soft-NMS或DIoU-NMS。前者改动最小后者对紧邻目标更友好。第三步如果精度还达不到要求且你有训练管线的改造成本预算再考虑Softer-NMS或Adaptive NMS。具体到场景自动驾驶场景因为车辆密集且遮挡频繁往往DIoU-NMS的效果比Soft-NMS更稳安防监控里的人群检测Adaptive NMS或Soft-NMS更合适工业质检里目标分布相对均匀经典NMS加调好的阈值往往就够了。我的建议始终是不要为了先进而先进——每上一种新方法都意味着新的参数调优成本和新的失败模式只有在基线明确不足时才值得更换。6.2 性能优化并行、裁剪与提前终止NMS在单阶段检测模型里的耗时占比比你想象得高。我在嵌入式设备Jetson Nano级算力上部署YOLOv5时纯Python实现的NMS占了整个推理时间的40%左右——因为模型被TensorRT加速到毫秒级遗留的Python NMS反而成了瓶颈。几个经过验证的优化手段第一候选框裁剪。排序后只取TopK参与NMS。YOLOv5的默认实现里有个参数叫max_det默认300它的作用就是在NMS前大幅裁剪候选框。但max_det设太小的代价是极端密集场景里的漏检——TopK之外的框即使匹配目标也会被丢弃。第二并行化。NMS循环本身是串行的但可以在类别维度并行。每个类别的NMS相互独立用多线程或CUDA流并行处理理论上能随类别数接近线性加速。实际工程里在8个类别的模型上我用OpenMP做了类别维度的并行NMS耗时降到了原来的约25%。第三用TensorRT的EfficientNMS插件。TensorRT 8.0以上自带EfficientNMS层它把NMS的排序、IoU计算、抑制逻辑全部在CUDA上异步执行同时支持TopK、多类别、Soft-NMS等选项。实测在Xavier上EfficientNMS比自定义的CUDA NMS再快一个量级。代价是它要求你接受TensorRT的固定输出数量num_detections需要预先设定做动态batch或多尺度推理时输出形状的灵活性会受限。第四提前终止。很多实现里候选框按分数降序排列后从某个位置开始分数已经低于置信度阈值。因为NMS保留的框分数必然大于等于最终阈值所以可以在循环过程中设置剩余框最高分低于阈值则整体停止的条件提前跳出循环。这个优化在候选框数量大、目标少的场景收益明显。6.3 一个常被忽视的依赖NMS参数和置信度阈值必须联动调优工程里最常见的失误是把NMS的IOU阈值、置信度阈值、最大输出框数三个参数分开调。它们在效果上是强耦合的。置信度阈值越低进入NMS的候选框越多NMS要抑制的压力越大NMS的IoU阈值越紧最终输出的框数越少在高密度场景下的召回损失越大。正确做法是把这三个参数放到同一组验证集上一起搜索而不是分别调优。我常用的方案是三步走。第一步在保持NMS阈值固定比如0.5的情况下扫描置信度阈值找到召回率和精确率平衡最好的点第二步固定这个置信度阈值扫描NMS的IoU阈值0.3~0.7步长0.05找到最佳抑制强度第三步再回头微调置信度阈值确认没有偏移。整个搜索在一个几百张图的验证子集上跑几分钟完成不用上全量测试集。6.4 精度验证时的隐藏陷阱NMS对mAP评估的影响最后提醒一个评估层面的坑。很多人用COCO mAP评估新NMS方法时只关注AP数值涨跌忽略了一个关键事实mAP的计算本身就包含NMS。COCO评估流程里检测结果提交后会做一次IoU匹配若多个框匹配同一个GT目标只有最高分的框计入TP其余框计入FP。这意味着低分框多保留往往不能提升召回反而会增加FP。所以有些NMS改进在直观上应该提升召回但mAP反而下降了——因为多余的框成了FP主导。要正确评估NMS改进的效果我建议在计算mAP的同时单独统计两个辅助指标一个是每张图的有效检出率最终输出的框中确实对应GT的比例另一个是漏检率GT中未匹配到任何框的比例。这两个指标能更准确地告诉你NMS的改变究竟是在减少漏检还是在增加误检。等你把这两个指标也看清了NMS调优的每一步决策都会扎实得多。