106、YOLOv12核心架构深度解剖：NMS后处理与WBF融合策略在v12中的适配——从源码到实验对比的完整教程
106、YOLOv12核心架构深度解剖：NMS后处理与WBF融合策略在v12中的适配——从源码到实验对比的完整教程
昨晚调模型调到凌晨两点，发现一个诡异的现象：同样的权重，在COCO上mAP 52.3，换到自建数据集直接掉到41.7。排查了一整晚，最后定位到问题出在NMS的置信度阈值上——不是模型变笨了，是后处理环节在跟模型打架。这让我决定把NMS和WBF在YOLOv12里的适配问题彻底写清楚，因为太多人栽在这个看似不起眼的环节上。
先看YOLOv12的检测头输出结构。跟v8、v11一样，v12的Detect层输出三个尺度的特征图，每个尺度上每个格子预测4个bbox参数加nc个类别概率。但注意v12在回归分支上用了DFL（Distribution Focal Loss），这意味着你拿到的不是直接的xywh，而是16个bin的概率分布。很多人在后处理阶段直接对输出做argmax取坐标，这是错的——DFL需要先对分布做softmax再加权求和，否则框的位置会偏移好几个像素。源码里dist2bbox函数干的就是这个活，但如果你自己写后处理，很容易漏掉这一步。
NMS在v12里的默认实现是TorchVision的nms函数，基于C++的CPU实现，速度尚可但不够极致。真正的问题在于置信度过滤和NMS的顺序。官方推理代码里先做conf_thres过滤再做NMS，这个顺序在大多数场景没问题，但如果你用WBF（Weighted Boxes Fusion），顺序就得反过来——先NMS再WBF，或者干脆跳过NMS直接WBF。我见过有人把WBF直接接到原始输出上，结果融合了上千个框，内存直接爆