结合自适应阈值NMS的YOLOv5密集目标检测：原理详解与完整代码实现

摘要

在密集目标检测场景（如行人检测、细胞检测、拥挤场景车辆检测）中，传统非极大值抑制（NMS）算法由于采用固定阈值，容易造成漏检或误检。本文提出一种结合自适应阈值NMS的YOLOv5改进方法，通过动态计算每个检测框的自适应抑制阈值，显著提升密集场景下的检测性能。文章将详细介绍算法原理、改进思路，并提供完整的代码实现和推荐数据集，帮助读者快速上手。

一、引言：为什么需要自适应阈值NMS？

1.1 传统NMS的局限性

YOLOv5默认使用NMS进行后处理，其核心思想是：对于同一类别的多个检测框，按照置信度排序，保留最高置信度的框，然后剔除与该框IoU（交并比）大于固定阈值（通常为0.45）的其他框。

然而，在密集目标检测场景中，这种方法存在明显问题：

• 密集遮挡区域：两个真实目标可能高度重叠（如人群中的相邻行人），IoU可能超过0.5甚至0.7。使用固定阈值0.45会导致其中一个被错误抑制，造成漏检。

• 稀疏区域：固定阈值过大可能保留大量冗余框，过小则抑制过度。单一阈值无法适应图像中不同区域的密度变化。

1.2 自适应阈值NMS的核心思想

自适应阈值NMS不再使用全局固定的IoU阈值，而是根据每个检测框局部区域的目标密度动态调整阈值：

• 在密集区域，允许更高的IoU阈值（如0.7），保留更多候选框。

• 在稀疏区域