### 解决方案 为了消除ONNX转RKNN后的目标检测结果中的多余边框，可以采用非极大值抑制（Non-Maximum Suppression, NMS）。NMS能够有效去除重复的目标框，保留最有可能的候选框。具体实现方法如下： #### 非极大值抑制原理 NMS的核心在于通过设定阈值来筛选出最优的边界框。对于每一个类别，按照置信度得分对所有预测框进行排序。然后依次遍历这些框，如果当前框与其他任何一个已选框之间的交并比（Intersection over Union, IOU）超过预设阈值，则认为这两个框覆盖的是同一物体，应舍弃低分的那个框。 IOU定义为两个矩形区域重叠面积与它们联合起来总面积的比例[^1]。 ```python def nms(bounding_boxes, confidence_score, overlap_threshold=0.5): # 如果没有边界框则返回空列表 if len(bounding_boxes) == 0: return [] # 初始化输出列表以及索引堆栈 pick = [] # 获取坐标信息 x1 = bounding_boxes[:, 0] y1 = bounding_boxes[:, 1] x2 = bounding_boxes[:, 2] y2 = bounding_boxes[:, 3] area = (x2 - x1 + 1) * (y2 - y1 + 1) idxs = np.argsort(confidence_score) while len(idxs) > 0: last = len(idxs) - 1 i = idxs[last] pick.append(i) xx1 = np.maximum(x1[i], x1[idxs[:last]]) yy1 = np.maximum(y1[i], y1[idxs[:last]]) xx2 = np.minimum(x2[i], x2[idxs[:last]]) yy2 = np.minimum(y2[i], y2[idxs[:last]]) w = np.maximum(0, xx2 - xx1 + 1) h = np.maximum(0, yy2 - yy1 + 1) inter = w * h union = area[i] + area[idxs[:last]] - inter overlap = inter / union idxs = np.delete( idxs, np.concatenate(([last], np.where(overlap > overlap_threshold)[0])) ) return bounding_boxes[pick].astype("int") ``` 此函数接收三个参数：`bounding_boxes`表示待处理的一系列边界框；`confidence_score`代表对应于各边界框的信心分数；`overlap_threshold`则是决定是否移除某一边界框的关键阈值，默认设置为0.5。最终返回经过NMS过滤后剩下的高质量边界框数组。