ZFTurbo/Weighted-Boxes-Fusion

解決的問題

本專案提供了一種將多個物件檢測模型的邊界框預測進行整合（集成）的方法，產生更精確的預測集合。解決了在使用多個模型以提升檢測效能時，出現重複或重疊框的問題。

運作方式

此套件實作了多種合併框的演算法，包括非最大抑制（NMS）、軟性NMS、非最大加權（NMW），以及主要的加權框融合（WBF）方法。WBF透過根據各模型的置信度分數與分配權重來融合框，而非僅僅捨棄重疊框，從而優於傳統方法。

適用對象

專為從事電腦視覺中物件檢測模型開發與研究的開發者與研究人員設計，也適用於使用該工具1D版本進行自然語言處理（NLP）任務中的命名實體辨識（NER）的使用者。

主要特色

• 支援1D、2D與3D邊界框融合。
• 包含多種整合方法：NMS、軟性NMS、NMW與WBF。
• 兼容Python 3、Numpy與Numba，以提升效能。
• 提供Open Images、COCO與NLP資料集的基準測試。