Python图像识别训练模型预测时出现检测框交错重叠的问题是什么原因？

这个问题通常是因为非极大值抑制（NMS）没处理好，或者后处理参数设得不对。模型在推理时会对同一个目标生成多个高度重叠的预测框，如果NMS的阈值（iou_threshold）设得太高，这些重复的框就过滤不掉，全画出来就乱套了。

核心就两步：拿到所有预测框，然后用NMS筛一遍。下面用PyTorch和OpenCV写个完整的例子：

import torch
import cv2
import numpy as np

def nms(boxes, scores, iou_threshold=0.5):
    """纯NumPy实现的NMS，不依赖库"""
    x1 = boxes[:, 0]
    y1 = boxes[:, 1]
    x2 = boxes[:, 2]
    y2 = boxes[:, 3]
    areas = (x2 - x1) * (y2 - y1)
    order = scores.argsort()[::-1]
    keep = []
    while order.size > 0:
        i = order[0]
        keep.append(i)
        xx1 = np.maximum(x1[i], x1[order[1:]])
        yy1 = np.maximum(y1[i], y1[order[1:]])
        xx2 = np.minimum(x2[i], x2[order[1:]])
        yy2 = np.minimum(y2[i], y2[order[1:]])
        w = np.maximum(0.0, xx2 - xx1)
        h = np.maximum(0.0, yy2 - yy1)
        inter = w * h
        iou = inter / (areas[i] + areas[order[1:]] - inter)
        inds = np.where(iou <= iou_threshold)[0]
        order = order[inds + 1]
    return keep

# 模拟模型输出：假设有4个预测框，其中两个是同一个目标
boxes = np.array([
    [50, 50, 150, 150],   # 目标A
    [55, 55, 155, 155],   # 与A高度重叠
    [200, 200, 300, 300], # 目标B
    [250, 250, 350, 350]  # 目标C
], dtype=np.float32)

scores = np.array([0.9, 0.85, 0.8, 0.75], dtype=np.float32)

# 应用NMS，IOU阈值设低点，比如0.3
keep_indices = nms(boxes, scores, iou_threshold=0.3)
filtered_boxes = boxes[keep_indices]

print("过滤后的框:", filtered_boxes)
# 输出应该只有3个框，那两个高度重叠的会合并成一个

# 画图示意
img = np.ones((400, 400, 3), dtype=np.uint8) * 255
for box in filtered_boxes:
    x1, y1, x2, y2 = box.astype(int)
    cv2.rectangle(img, (x1, y1), (x2, y2), (0, 0, 255), 2)
cv2.imshow('NMS Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

如果你用的是现成的检测库（比如YOLO、Detectron2），检查一下推理代码里调用NMS的部分，重点看iou_threshold这个参数，一般调到0.3-0.5之间。训练时模型为了召回率高会输出很多框，预测时必须靠NMS来清理。

总结：调低NMS的IOU阈值。