让 AI 走一遍 NMS：中间框被压掉以后，为何不能继续淘汰第三个框
目标检测给出多个重叠框以后，非极大值抑制NMS会保留哪些？若AI把所有“重叠超过阈值”的框连成一组，再整组只留最高分，算出的结果可能与贪心NMS不同。三个框就能把差别走出来。
AI模型生成的概念插图：重叠候选框经过保留与淡化处理；矩形比例不编码正文坐标，不是检测模型的输出截图。
面积按连续坐标算，不额外加一个像素
设同一类别的三个框使用(x₁,y₁,x₂,y₂)：A=(0,0,4,2)，B=(1,0,5,2)，C=(2,0,6,2)。每个面积都是4×2=8。本例采用连续坐标面积，不使用整数像素端点包含式的加一约定。
A与B交集为3×2=6，并集为8+8-6=10，IoU=3/5=0.6；B与C同样为0.6。A与C交集为2×2=4，并集12，IoU=1/3，约0.333333。不要把交集面积直接除以某一个框面积，那算的是另一种比例。
被移除的候选不再成为下一轮抑制者
分数设为A=0.9、B=0.8、C=0.7，阈值0.5。先选最高分A并保留。B与A的IoU为0.6，大于阈值，移除B；C与A的IoU为1/3，继续留在候选队列。
下一轮只剩C，它被选中并保留。最终是[A,C]。尽管B与C的IoU也超过阈值，B已经离开队列，不会再获得一轮抑制C的机会。若先把A-B-C连成重叠链再只留下A，就把算法改成了另一种处理规则。
只把B的分数提高到0.95，框坐标全部不动。此时先保留B，A和C都与B重叠0.6，都会被移除，最后只剩B。结果变化来自贪心选择顺序，不是三组IoU变了。分数相同时还应写清并列规则；Torchvision提醒相同分数的选择在CPU与GPU上未必一致。
恰好等于阈值，应按接口定义判定
回到原分数，将阈值设成精确的3/5。Torchvision文档用的是IoU大于阈值才移除，因此在本例的精确数学计算中，A-B和B-C的0.6都不触发抑制，三个框全部保留。把大于写成大于等于，会在边界产生不同结果。
实际浮点计算不能只看页面上四舍五入后的0.6来断定相等。调试时保留完整坐标、数据类型和阈值，先用远离边界的样本核验主流程，再单独检查临界情况。这里的精确分数不冒充某台设备的内核实测。
让AI交一份逐轮记录：当前最高分、保留框、与它比较的IoU、被移除编号、剩余队列。独立核对最终保留集合时，不要只对框数量，因为[A,C]和[A,B]虽然都是两个，含义不同。
本例先固定同一类别。普通nms接口没有类别参数，直接混入不同类别会按重叠与分数一起处理；是否按类别分别抑制需要调用方另行决定。NMS也不判断框是否真正包住目标，高分框可能定位较差；算法输出只是既定候选与规则的结果。
资料核对日期：2026年10月2日。算例为原创教学设定，已用独立Python计算复核，不代表真实模型训练或性能测试。
