ZFTurbo/Weighted-Boxes-Fusion

解决的问题

该项目提供了一种将多个目标检测模型的边界框预测进行融合（集成）的方法，生成一个更准确的预测集合。它解决了在使用多个模型以提升检测性能时，出现的冗余或重叠框的问题。

工作原理

该库实现了多种合并框的算法，包括非极大值抑制（NMS）、软NMS、非极大值加权（NMW），以及主要的加权框融合（WBF）方法。WBF通过基于各模型的置信度分数和分配权重来融合框，而非简单地丢弃重叠框，从而优于传统方法。

适用人群

专为从事计算机视觉中目标检测模型开发与研究的开发者和研究人员设计，也适用于使用该工具的1D版本进行自然语言处理（NLP）任务中的命名实体识别（NER）的用户。

主要亮点

• 支持1D、2D和3D边界框融合。
• 包含多种集成方法：NMS、软NMS、NMW和WBF。
• 兼容Python 3、Numpy和Numba，以提升性能。
• 提供Open Images、COCO和NLP数据集的基准测试。