tf.image.non_max_suppression需输入[n,4]形状且[y1,x1,y2,x2]顺序的boxes、[n]scores及静态max_output_size，返回索引须用tf.gather提取框与分数；多类别应优先用combined_non_max_suppression。
如何用 tf.image.non_max_suppression 做NMS后处理
TensorFlow 自带的 non_max_suppression 是目标检测后处理最常用、最轻量的选择，但它对输入格式极其敏感——不是所有模型输出都能直接喂进去。你需要确保：boxes 是 [N, 4] 形状，且按 [y1, x1, y2, x2]（非 [x1, y1, x2, y2]）顺序；scores 是一维 [N] 张量；max_output_size 必须是标量（不能是 tf.shape(boxes)[0] 这类动态值，否则图模式下报错 ValueError: max_output_size must be statically known）。
常见错误现象：结果为空或只返回1个框，大概率是坐标顺序反了，或者 scores 全为 nan（检查是否漏了 sigmoid 或 softmax）。示例用法：
selected_indices = tf.image.non_max_suppression(
boxes=boxes,
scores=scores,
max_output_size=100,
iou_threshold=0.5
)
final_boxes = tf.gather(boxes, selected_indices)
final_scores = tf.gather(scores, selected_indices)
为什么 tf.image.combined_non_max_suppression 更适合多类别检测
当你有多个类别的预测框（比如 YOLO 或 SSD 输出的 [batch, anchors, num_classes] scores），别硬拆成循环调用 non_max_suppression——性能差且难对齐。直接上 combined_non_max_suppression，它原生支持 per-class NMS + 跨类合并（通过 clip_boxes=False 和 pad_per_class=False 控制）。
关键参数差异：
-
boxes必须是[batch, boxes, classes, 4]，哪怕单类也要 expand_dims 补一维 -
scores对应[batch, boxes, classes]，注意不是 [batch, classes, boxes] - 返回的
valid_detections是每个 batch 的真实检测数，必须用它截断输出，否则末尾全是0填充
容易踩的坑：如果 classes 维度为1但没 reshape 对，会报 InvalidArgumentError: boxes must have rank at least 3。
调用 Cutout.Pro 视觉处理 API 进行背景移除、人像抠图和照片增强，支持文件上传与图片 URL 输入。
从 SavedModel 加载后怎么接后处理逻辑
用 tf.saved_model.load 加载的检测模型（如 TF Hub 上的 EfficientDet），输出通常是字典（{'detection_boxes': ..., 'detection_scores': ..., 'detection_classes': ...}），但这些 box 坐标是归一化后的 [y1, x1, y2, x2]，且未做 NMS。你不能直接拿去画框——得先反归一化（乘以图像高宽），再喂给 NMS。
实操建议：
- 获取原始图像尺寸：用
tf.shape(image)[1]（width）、tf.shape(image)[0]（height），别用 Python int，否则图模式断开 - 反归一化要写成
boxes * [h, w, h, w]，顺序必须匹配[y1, x1, y2, x2] - 如果模型输出含
detection_classes，且你要做 class-aware NMS，得按类别分组过滤再各自调用non_max_suppression，combined_non_max_suppression在这种场景反而更重（需构造 classes 维度）
为什么 CPU 上跑 tf.image NMS 可能比 NumPy 慢
TensorFlow 的 NMS 算子在 GPU 上加速明显，但在 CPU 上，尤其小批量（
- 用
tf.function包裹整个后处理流程（包括 NMS），避免每次调用重建图 - 对比
tf.image.non_max_suppression和cv2.dnn.NMSBoxes（需把 scores 转 list，boxes 转成[x, y, w, h]格式） - 注意
cv2.dnn.NMSBoxes的score_threshold是前置过滤，而 TF 的non_max_suppression不提供该功能，得自己tf.boolean_mask
真正容易被忽略的是：TF 的 NMS 不支持 soft-NMS 或 DIoU-NMS 这类改进策略，有需求就得自己实现或换库——这时候硬套 tf.image 反而增加维护成本。
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！
