文档反馈

问题文档片段

问题文档片段包含公式时,显示为空格。

提交类型
issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型
规范和低错类

- 规范和低错类:

- 错别字或拼写错误,标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致,但不影响操作。

- 表述不通顺,但不影响理解。

- 版本号不匹配:如软件包名称、界面版本号。

易用性

- 易用性:

- 关键步骤错误或缺失,无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰,该分类、分项、分步骤的没有给出。

正确性

- 正确性:

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误,无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示:

- 对重要数据或系统存在风险的操作,缺少安全提示。

内容合规

- 内容合规:

- 违反法律法规,涉及政治、领土主权等敏感词。

- 内容侵权。

问题描述

请勾选同意隐私声明

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:

IOU=Area of OverlapArea 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]