Beräkna NMS

Nu när du har extraherat de förutsagda begränsningsramarna och poängen från din objektigenkänningsmodell är nästa steg att säkerställa att bara de mest exakta och icke-överlappande begränsningsramarna behålls – det gör du med tekniken icke-maximal undertryckning (non-max suppression).

boxes och scores som du skapade i föregående övning finns tillgängliga i din arbetsyta, och torch samt torchvision har importerats.

Den här övningen är en del av kursen

Djupinlärning för bilder med PyTorch

Visa kurs

Övningsinstruktioner

Importera nms från torchvision.ops.
Sätt IoU-tröskelvärdet till 0.5.
Tillämpa icke-maximal undertryckning genom att skicka boxes, confidence_scores och iou_threshold till rätt funktion.
Använd de returnerade indexen för att filtrera de förutsagda begränsningsramarna.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import nms
____

# Set the IoU threshold
iou_threshold = ____

# Apply non-max suppression
box_indices = ____

# Filter boxes
filtered_boxes = ____

print("Filtered Boxes:", filtered_boxes)

Redigera och kör kod