mindspore.ops.NMSWithMask

class mindspore.ops.NMSWithMask(iou_threshold=0.5)[源代码]

非极大值抑制算法（NMS, Non-maximum Suppression）。当在计算机视觉领域中进行目标检测时，目标检测算法将生成多个边界框，并计算分数最高的边界框与其他边界框的交并比(IOU)，然后根据设定的阈值删除框。 在Ascend平台上，边界框的分数将被忽略，仅根据框之间的IOU来选择框。这意味着如果要删除分数较低的框，则需要提前按分数对输入框进行降序排序。 IOU的计算如下：

\[\text{IOU} = \frac{\text{Area of Overlap}}{\text{Area of Union}}\]

警告

一次最多支持2864个输入框。

参数：

  • iou_threshold (float) - 指定删除框的IOU的阈值。默认值： 0.5 。

输入：

  • bboxes (Tensor) - 边界框，shape: \((N, 5)\) ， N 为边界框的数量。每个边界框包含5个值，前4个值为边界框的坐标（x0、y0、x1、y1），代表左上角和右下角的点。最后一个值为边界框的分数。数据类型支持float16或float32。

输出：

tuple[Tensor]，包含三个Tensor：output_boxes、output_idx和selected_mask。

  • output_boxes (Tensor) - shape: \((N, 5)\) 。在GPU和CPU平台上，它是一个边界框的排序列表，按分数对输入 bboxes 进行降序排序。在Ascend平台上，它与输入 bboxes 相同。

  • output_idx (Tensor) - shape: \((N,)\) 。 output_boxes 的索引列表。

  • selected_mask (Tensor) - shape: \((N,)\) 。输出边界框的掩码列表。在 output_boxes 上应用此掩码以获取非极大值抑制算法（NMS）计算后的边界框，或在 output_idx 上应用此掩码以获取边界框索引。

异常：

  • ValueError - iou_threshold 不是float。

  • ValueError - 输入Tensor的第一个维度小于或等于0。

  • TypeError - bboxes 的数据类型非float16或float32。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> bbox = np.array([[100.0, 100.0, 50.0, 68.0, 0.63], [150.0, 75.0, 165.0, 115.0, 0.55],
...                  [12.0, 190.0, 288.0, 200.0, 0.9], [28.0, 130.0, 106.0, 172.0, 0.3]])
>>> bbox[:, 2] += bbox[:, 0]
>>> bbox[:, 3] += bbox[:, 1]
>>> inputs = Tensor(bbox, mindspore.float32)
>>> nms = ops.NMSWithMask(0.1)
>>> output_boxes, indices, mask = nms(inputs)
>>> indices_np = indices.asnumpy()
>>> print(indices_np[mask.asnumpy()])
[0 1 2]