## 标题：**非极大值抑制（NMS）：YOLO 模型中的物体检测守护者**
在物体检测领域，YOLO（You Only Look Once）模型以其快速和高效著称，而其背后的一个
关键技术就是非极大值抑制（Non-Maximum Suppression，简称 NMS）。NMS 是一种用于筛
选重叠检测框并保留最佳结果的算法，它在 YOLO 模型的物体检测过程中起着至关重要的作
用。本文将深入探讨 NMS 的工作原理，以及如何在 YOLO 模型中实现和应用 NMS。
### 1. 非极大值抑制（NMS）简介
NMS 是一种在多个检测框中选择最佳结果的技术。在物体检测任务中，模型可能会对同一
个物体预测多个重叠的检测框。这些检测框可能有不同的大小、位置和置信度。NMS 通过
选择置信度最高的检测框，并抑制其他重叠的低置信度检测框，从而提高检测的准确性。
### 2. NMS 的工作原理
NMS 的工作原理可以概括为以下几个步骤：
1. **置信度排序**：根据检测框的置信度（即模型预测该检测框包含物体的概率）进行排序。
2. **选择最高置信度的检测框**：从置信度最高的检测框开始，将其作为参考检测框。
3. **计算交并比（IoU）**：计算其他检测框与参考检测框的交并比。IoU 是两个检测框相
交面积与并集面积的比值。
4. **抑制重叠检测框**：如果检测框的 IoU 高于某个阈值（例如 0.5），则认为这两个检测框
检测到的是同一个物体，保留置信度最高的检测框，抑制其他检测框。
5. **重复过程**：从剩余的检测框中选择置信度最高的，重复步骤 3 和 4，直到所有检测框
都被处理。
### 3. NMS 在 YOLO 模型中的应用
YOLO 模型在每个特征点预测多个边界框和类别概率。由于这些边界框可能重叠，因此需要
NMS 来筛选出最佳的检测结果。以下是 YOLO 模型中使用 NMS 的示例代码：
```python
import numpy as np
def nms(boxes, scores, threshold):
"""
非极大值抑制
boxes: 检测框的坐标 [x1, y1, x2, y2]
scores: 检测框的置信度
threshold: IoU 阈值
"""
idxs = np.argsort(scores) # 根据置信度排序
selected_boxes = []
