一、背景：
传统的非极大值抑制（NMS）算法在目标检测中存在一个问题，即当一个物体的检测框与具有最高得分的检测框M有重叠（在预定义的重叠阈值内）时，会将该检测框的得分设置为零，从而导致该物体可能被遗漏，降低了平均精度。为了解决这个问题，作者提出了Soft-NMS算法。
本文将YOLOv11默认的NMS修改成GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS。
专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
专栏地址：YOLOv11改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！
二、原理
Soft-NMS - 用一行代码改进对象检测
2.1 NMS原理
在目标检测等任务中，通常会产生多个可能的检测框或候选区域。这些检测框可能会有重叠，并且可能会对同一个目标进行多次检测。
NMS 的核心思想就是在这些检测结果中，找到局部最大值并抑制非极大值。
具体来说，对于一组检测结果，按照某个分数（如置信度）进行排序，然后依次选取分数最高的检测框，将其与其他检测框进行比较，如果其他检测框与该框的重叠度超过一定阈值，则认为该检测框不是最优的，将其抑制（通常是将其分数置为 0 或降低其分数）。
2.2 Soft-NMS的原理
- 传统NMS算法的问题：传统的NMS算法从具有得分S的检测框列表B开始，选择得分最高的检测框M，将其从B中移除并添加到最终检测集D中，同时移除B中与M重叠大于阈值$N_t$的任何框。该算法的主要问题是将相邻检测的得分设置为零，若物体实际上在该重叠阈值内，就会被遗漏，导致平均精度下降。
- Soft - NMS的改进：
Soft-NMS通过修改传统NMS算法的得分衰减方式来解决这个问题。它不是将与M有高重叠的检测框的得分直接设置为零，而是根据与M的重叠程度来降低其分类得分。具体来说，提出了两种重新评分函数：- 线性衰减函数：$s_i = \begin{cases} s_i, & iou(\mathcal{M}, b_i) < N_t \ s_i(1 - iou(\mathcal{M}, b_i)), & iou(\mathcal{M}, b_i) \geq N_t \end{cases}$，该函数将重叠阈值(N_t)以上的检测得分进行线性衰减。
- 高斯衰减函数：$s_i = s_i e^{-\frac{ka(\mathcal{M}, b_i)^2}{\sigma}}, \forall b_i \notin \mathcal{D}$，对与M有重叠的检测框的得分进行高斯衰减。
- 计算复杂度：
Soft-NMS中每一步的计算复杂度为$O(N)$（N为检测框的数量），因为需要更新所有与M有重叠的检测框的得分，所以对于N个检测框，Soft-NMS的计算复杂度为$O(N^2)$，与传统的贪心NMS相同。由于NMS并非应用于所有检测框（在每次迭代中会修剪具有最小阈值的框），所以这一步并不昂贵，不会影响当前检测器的运行时间。
2.3 Soft-NMS的优势
- 性能提升：在标准数据集（如PASCAL VOC2007和MS - COCO）上，通过简单地改变NMS算法为
Soft-NMS，无需任何额外的超参数，就能使coco-style mAP指标得到持续改进。例如，在PASCAL VOC2007上，RFCN和Faster-RCNN的性能提高了1.7%；在MS-COCO上，R-FCN提高了1.3%，Faster-RCNN提高了1.1%和1.1%。使用Deformable-RFCN，Soft-NMS将目标检测的最先进水平从39.8%提高到40.9%。 - 易于集成：
Soft-NMS不需要任何额外的训练，且实现简单，因此可以很容易地集成到任何目标检测管道中。 - 对不同类型检测器的适用性：对于基于提议（proposal - based）的检测器，如RFCN和Faster - RCNN，Soft - NMS能显著提高性能；对于非基于提议的检测器，如SSD和YOLOv2，使用线性函数时，
Soft-NMS也能获得一定的性能提升（约0.5%）。 - 稳定性和灵活性：通过敏感性分析可知，
Soft-NMS的参数$\sigma$在一定范围内（如0.4到0.7）性能稳定，且在不同重叠阈值下的表现优于传统NMS。低$\sigma$值在较低的$O_t$下表现更好，高$\sigma$值在较高的$O_t$下表现更好，并且可以通过调整$\sigma$来提高检测器在不同定位情况下的性能，而传统NMS中较大的$N_t$对AP的提升非常小。 - 精度与召回率的平衡：在精度与召回率的关系上，随着$O_t$和召回率的增加，Soft - NMS在精度上有显著提升。因为传统NMS将与M重叠大于$N_t$的所有框的得分设置为零，导致许多框被遗漏，精度在召回率较高时不增加。而Soft - NMS重新评分相邻框而不是完全抑制它们，从而在召回率较高时提高了精度。在较高的$O_t$下，即使召回率较低，Soft - NMS也能获得显著的改进，因为在这种设置下，近失更有可能发生。
- 定性结果优势：从定性结果来看，
Soft-NMS在一些情况下表现更好，例如当错误检测（false positives）与好的检测（true positive）有小重叠或低重叠时，它能降低错误检测的得分，从而抑制这些错误检测；对于一些动物图像，当NMS抑制检测框时，Soft-NMS能为相邻框分配稍低的得分，从而能够检测到真正的阳性结果。
论文：https://openaccess.thecvf.com/content_ICCV_2017/papers/BodlaSoft-NMS--_Improving_ICCV_2017_paper.pdf
源码：https://github.com/bharatsingh430/soft-nms
三、实现代码及YOLOv11修改步骤
模块完整介绍、个人总结、实现代码、模块改进、二次创新以及各模型添加步骤参考如下地址：
