你有沒有看過物件偵測模型，明明只是一隻貓，卻框出好幾個重疊框？ 你可以把它想成把重複的框整理掉，只留下分數最高、最像真的那一個。 NMS 的工作就是清掉重複偵測，讓結果乾淨，不會一個物件被框十次。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
容易混淆
NMS vs IoU NMS：後處理流程，用來刪重複框 IoU：衡量兩個框重疊多少的指標 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
NMS vs Soft-NMS NMS：超過閾值就直接壓掉 Soft-NMS：不是刪除，而是慢慢降分數 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
記住這句就好
重疊太多的框，只留最好的。
實際案例
車輛偵測 模型同時框到同一台車的前半和後半，NMS 會保留最可信的框。
人臉偵測 多人臉場景裡，重疊框很多，NMS 讓畫面不會亂掉。
算法與應用
NMS 通常先依分數排序，再逐一比較 IoU，將高度重疊的框刪掉。 閾值設太高，可能留下太多重複框；設太低，又可能誤刪正確框。 它是物件偵測裡最典型的後處理步驟之一。
情境判斷
Q1（直覺題）： 模型對同一隻狗畫了四個框，你想保留最好的那個，該用什麼？
非極大值抑制。
Q2（判斷題）： 如果框與框幾乎不重疊，NMS 還會刪很多嗎？
不會，因為它主要針對重疊很高的候選框。
常見問題
NMS 會不會把真實框刪掉？
有可能，所以閾值要調得剛好。
它只用在物件偵測嗎？
主要是，但只要有重疊候選要篩選的任務，都可能借用這個概念。
Soft-NMS 比較好嗎？
常常更平滑，但速度和實作會稍微複雜。