tf.image.non_max_suppression返回的是被选中边界框在输入boxes中的整数下标，需配合tf.gather等操作提取对应坐标、分数和类别；它不支持多类别联合抑制，须按类别分组处理，并注意gpu未实现该算子、坐标需统一归一化等关键约束。
为什么 tf.image.non_max_suppression 返回的索引不能直接用？
因为它的输出只是原始检测框数组中的行号（int32），不带分数、类别或坐标信息。你得用这些索引去手动切片原张量——漏掉这步，就只剩一串数字，毫无意义。
- 输入必须是
boxes（shape[N, 4]，格式为[y1, x1, y2, x2]）和scores（shape[N]），顺序必须严格对应 -
max_output_size是硬上限，但实际返回数可能更少；别把它当“取前 N 个”，它是动态裁剪 - 若用
score_threshold过滤，注意它是在 NMS 前筛，不是后筛——低分框被提前丢弃，可能影响抑制逻辑
如何把类别和分数一起保留下来？
TensorFlow 原生 tf.image.non_max_suppression 不支持多类别联合抑制。常见做法是按类别分组处理：
- 先用
tf.where找出每个类别的检测框索引，再对每组分别调用tf.image.non_max_suppression - 合并结果时，用
tf.concat拼接各组索引，再用这个总索引去取boxes、classes、scores - 别忘了：不同类别的框之间不抑制，这是合理行为；强行跨类别 NMS 反而会误删真实目标
示例片段：
indices_per_class = []
for c in range(num_classes):
mask = tf.equal(class_ids, c)
boxes_c = tf.boolean_mask(boxes, mask)
scores_c = tf.boolean_mask(scores, mask)
idx_c = tf.image.non_max_suppression(boxes_c, scores_c, max_output_size=100)
indices_per_class.append(tf.boolean_mask(tf.where(mask)[:, 0], idx_c))
final_indices = tf.concat(indices_per_class, axis=0)
为什么 GPU 上跑 tf.image.non_max_suppression 报错 “NotImplementedError: NonMaxSuppressionV5 is not implemented on GPU”？
这是 TensorFlow 2.10+ 的已知限制：GPU 版本的 NMS 算子尚未实现，运行时自动 fallback 到 CPU，但若图中强制指定 device='/GPU:0' 就会炸。
- 最稳妥解法：显式把 NMS 操作放在 CPU 上，用
with tf.device('/CPU:0'): - 别依赖自动 placement——即使其他 ops 在 GPU，NMS 这一步也必须手动切过去
- 性能影响有限：NMS 输入通常几百到几千框，CPU 处理毫秒级，远小于前向推理耗时
后处理后框坐标还是乱？检查是否混淆了归一化和像素坐标
模型输出的 boxes 通常是归一化坐标（0~1），而显示或保存需转回图像像素尺寸。NMS 本身不关心单位，但后续使用极易出错。
- 做 NMS 前，确保所有框在相同尺度下——要么全归一化，要么全转成像素值（推荐前者，避免图像尺寸差异干扰）
- 抑制完成后，再统一乘以
image_height和image_width转回像素坐标 - 特别注意：YOLO 类模型输出的是中心点+宽高，需先用
tf.image.convert_image_dtype或手动公式转成[y1,x1,y2,x2]格式才能喂给tf.image.non_max_suppression
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
