NMS思想：

1.首先将所有框按置信度排序，选择置信度最大的框，记作 S

2.剩余框与 S 做IOU计算，大于设定阈值 threshold （常设0.7）的则进行抑制，最基本的抑制手段是将这些框的置信度置0。

3.在剩余的框中继续寻找得分最高的，重复1,2。到没有重复的框，算法停止。

pytorch实现（引用：https://blog.csdn.net/KANG157/article/details/124649838）：

具体分析我在代码里给了注释

def NMS(boxes,scores, thresholds):
    x1 = boxes[:,0]      #左上点x
    y1 = boxes[:,1]      #左上点y
    x2 = boxes[:,2]      #右下点x
    y2 = boxes[:,3]      #右下点y
    areas = (x2-x1)*(y2-y1)     # 计算每一个框的面积，存在aeras里
 
    _,order = scores.sort(0,descending=True)   # 给所有框的得分降序排列，返回order索引
    keep = []   
    while order.numel() > 0:                   # 当order元素数目不为0
        i = order[0]                           # 取得分最高的索引赋给i，记该框为S
        keep.append(i)                         # 添加入keep集
        if order.numel() == 1:                 # 如果只有一个框，则算法结束
            break 
        xx1 = x1[order[1:]].clamp(min=x1[i])   # 通过clamp函数，选取其余框与S交集的左上点x值
        yy1 = y1[order[1:]].clamp(min=y1[i])   # 通过clamp函数，选取其余框与S交集的左上点y值
        xx2 = x2[order[1:]].clamp(max=x2[i])   # 通过clamp函数，选取其余框与S交集的右下点x值
        yy2 = y2[order[1:]].clamp(max=y2[i])   # 通过clamp函数，选取其余框与S交集的左上点x值
 
        w = (xx2-xx1).clamp(min=0)  #将交集的width负值情况限制到0，目的是没有交集的框，交集部分设为0
        h = (yy2-yy1).clamp(min=0)  #将交集的height负值情况限制到0，同上
        inter = w*h # 计算交集面积
 
        ovr = inter/(areas[i] + areas[order[1:]] - inter)  #计算iou
        ids = (ovr<=thresholds).nonzero().squeeze() #获取所有iou值小于阈值的框的索引
        if ids.numel() == 0:  #当不存在和当前框的iou值小于阈值的框时，代码结束
            break 
        order = order[ids+1]  #注意这里的加1，因为ids计算时是除了第一个框的，做一在恢复到order时要后退1个，故加上1
    return torch.LongTensor(keep)

函数解析：

torch.sort(input, dim=0, descending=False)

dim：排序维度
descending：是否降序
return：1.排好序的数组
        2.对应的索引 

torch.clamp(input, min=a, max=b)

usage：将input数据限制在[a,b]闭区间内
原理：
input[i] = a,           if input[i] <= a
         = input[i]     if input[i] > a and input[i] < b
         = b            if input[i] >= b

torch.nonzero(input)

return： input中所有非0元素的索引