[从0开始轨迹预测][NMS] NMS的应用（目标检测 轨迹预测）

非极大值抑制（Non-Maximum Suppression, 简称NMS）是一种被广泛应用于计算机视觉领域的算法。其主要作用是去除冗余与重叠边界框，在目标检测任务中发挥重要作用。特别是在采用诸如R-CNN系列等方法进行处理时，在面对生成大量候选区域的情况下，则会出现大量冗余与重叠的情况。为此提出了一种解决方案。

1. NMS在目标检测领域的应用

非极大值抑制在目标检测领域的基本原理和步骤如下：

1. 在每个类别中,依据预测框置信度对各预测框架进行排序,并将置信度最高者定为基准参考框架.
2. 在剩余候选框架中选取与基准参考框架交集面积最大者,若计算得到的最大交集面积超过预先设定的标准阈值,则剔除该候选.
3. 对于剩下的候选框架,继续执行上述操作步骤.
4. 直至所有候选框架与基准参考之间的交集均小于设定阈值或已无可删除的对象为止.

利用这种方式能够剔除所有与基准框重叠面积超过阈值的冗余框，并能达到检测效果的优化效果。值得注意的是，在实际应用中，NMS算法通常会根据不同数据集和具体情况来调节其阈值设置，在权衡准确性与召回率的基础上找到最佳平衡点。

    # NMS Python 简单实现
    import numpy as np
    
    def nms(dets, thresh):
    x1 = dets[:, 0]
    y1