一、NMS（非極大抑制）概念
NMS即non maximum suppression即非極大抑制，顧名思義就是抑制不是極大值的元素，搜索局部的極大值。在最近幾年常見的物體檢測算法（包括rcnn、sppnet、fast-rcnn、faster-rcnn等）中，最終都會從一張圖片中找出很多個可能是物體的矩形框，然後爲每個矩形框爲做類別分類概率。
就像上面的圖片一樣，定位一個車輛，最後算法就找出了一堆的方框，我們需要判別哪些矩形框是沒用的。
所謂非極大值抑制：先假設有6個矩形框，根據分類器類別分類概率做排序，從小到大分別屬於車輛的概率分別爲A<B<C<D<E<F。
(1) 從最大概率矩形框F開始，分別判斷A、B、C、D、E與F的重疊度IOU是否大於某個設定的閾值;
(2) 假設B、D與F的重疊度超過閾值，那麼就扔掉B、D；並標記第一個矩形框F，是我們保留下來的。
(3) 從剩下的矩形框A、C、E中，選擇概率最大的E，然後判斷A、C與E的重疊度，重疊度大於一定的閾值，那麼就扔掉；並標記E是我們保留下來的第二個矩形框。
(4) 重複這個過程，找到所有被保留下來的矩形框。
二、YOLO中的NMS
對於每一個種類的概率，比如Dog，我們將所有98個框按照預測概率從高到低排序（爲方便計算，排序前可以剔除極小概率的框，也就是把它們的概率置爲0），然後通過非極大抑制NMS方法，繼續剔除多餘的框：
NMS方法在這裏如何運行呢？首先因爲經過了排序，所以第一個框是概率最大的框（下圖橘色）。然後繼續掃描下一個框跟第一個框，看是否IOU大於0.5：
的確IOU大於0.5，那麼第二個框是多餘的，將它剔除：
繼續掃描到第三個框，它與最大概率框的IOU小於0.5，需要保留：
繼續掃描到第四個框，同理需要保留：
繼續掃描後面的框，直到所有框都與第一個框比較完畢。此時保留了不少框。
接下來，以次大概率的框（因爲一開始排序過，它在順序上也一定是保留框中最靠近上一輪的基礎框的）爲基礎，將它後面的其它框於之比較。
如比較第4個框與之的IOU：
IOU大於0.5，所以可以剔除第4個框：
總之在經歷了所有的掃描之後，對Dog類別只留下了兩個框：
這時候，或許會有疑問：明顯留下來的藍色框，並非Dog，爲什麼要留下？因爲對計算機來說，圖片可能出現兩隻Dog，保留概率不爲0的框是安全的。不過的確後續設置了一定的閾值（比如0.3）來刪除掉概率太低的框，這裏的藍色框在最後並沒有保留，因爲它在20種類別裏要麼因爲IOU不夠而被刪除，要麼因爲最後閾值不夠而被剔除。
上面描述了對Dog種類進行的框選擇。接下來，我們還要對其它19種類別分別進行上面的操作。最後進行縱向跨類的比較（爲什麼？因爲上面就算保留了橘色框爲最大概率的Dog框，但該框可能在Cat的類別也爲概率最大且比Dog的概率更大，那麼我們最終要判斷該框爲Cat而不是Dog）。判定流程和法則如下：
得到最後的結果：
