YOLO训练中的NMS参数调优：Confidence Threshold与IoU Threshold的协同优化

前言：为什么你换了YOLOv11，效果还是不行？

90%的检测质量差异，来自三个基础参数的合理设置：置信度阈值、交并比阈值和非极大值抑制策略。它们不改变模型结构，却直接决定你看到的结果是“满屏噪点”还是“干净精准”。

很多开发者都有这样的经历：花了几周时间训练YOLO模型，验证集mAP漂亮得不行，一部署到真实场景就翻车——要么漏检严重，要么满屏误报，要么一个目标框出十几个重复框。于是开始怀疑模型不行、数据集不行、训练策略不行。

但问题往往出在一个被严重低估的环节——NMS后处理参数。

2026年初，Ultralytics发布了YOLO26，其最引人注目的创新就是彻底移除了NMS。但在此之前，从YOLOv5到YOLOv11，再到DAMO-YOLO和各类改进版本，NMS始终是目标检测推理pipeline中不可或缺的一环。即便在今天，绝大多数生产环境中的YOLO部署仍然依赖NMS后处理——YOLO26的NMS-Free设计虽然惊艳，但生态迁移需要时间。

本文将聚焦YOLO训练与推理中最核心的两个NMS参数——Confidence Threshold（置信度阈值）和IoU Threshold（交并比阈值），深入剖析它们的协同机制、调优策略，并结合2026年最新的技术动态，给出可落地的实践方案。

本文所有结论均基于ultralytics 8