在BAE检测服务返回结果中，如果同一个目标被多个框重复标出、框边缘没有贴合目标、或者小目标大量漏检，通常先不要急于换模型或重新训练。目标检测模型的后处理阶段有两个参数对最终框质量影响非常大：置信度阈值和NMS阈值。置信度阈值决定哪些候选框值得进入后续流程，NMS阈值决定重叠框之间如何合并。本文从这两个参数的实际作用出发，给出面向BAE推理场景的调整方法和排查路径。
一、置信度阈值决定候选框保留数量
目标检测网络通常在一次前向推理中输出大量候选框，每个框都带有一个类别置信度。置信度表示模型对某区域存在某类目标的判断强度。设置置信度阈值相当于设置闸门，低于该值的候选框会被直接丢弃，不会进入后续NMS阶段。阈值越低，保留的框越多，召回率通常会提高，但误检也会明显增加；阈值越高，保留的框越少，误检下降，但召回率可能受损。
在BAE检测服务中，如果出现背景误检或重复框较多，可以先检查置信度阈值是否设置得过低。一般通用目标检测可以以0.3到0.5作为起点。对小目标较多、遮挡频繁的场景，模型输出的置信度普遍偏低，如果仍然使用0.5以上阈值，很容易造成漏检。相反，如果业务对误检容忍度很低，例如商品框选或UI自动化定位，则可以把阈值提高到0.6以上，牺牲一部分召回换取结果干净。
下面是一个典型的置信度过滤逻辑，候选框和得分按阈值进行过滤：
def filter_by_score(boxes, scores, score_threshold):
kept_boxes = []
kept_scores = []
for box, score in zip(boxes, scores):
if score < score_threshold:
continue
kept_boxes.append(box)
kept_scores.append(score)
return kept_boxes, kept_scores
这里的 score_threshold 建议在调试时先不要一次调太大，可以按0.05或0.1的步长逐步搜索。每调整一次，用同一批验证图片观察检测框数量、误检位置和漏检目标的变化。
二、NMS阈值决定冗余框怎样合并
即使经过置信度过滤，一个目标仍然可能被多个候选框包围，这些框的中心点和大小略有差异，但指向同一个物体。非极大值抑制（NMS）用于从这些重叠框中选出最具代表性的一个。它的基本流程是：先按置信度从高到低排序，选择得分最高的框加入保留集合，然后计算该框与剩余所有框之间的IoU。当IoU超过NMS阈值时，认为这两个框表示同一个目标，删除得分较低的那个框。重复这个过程，直到所有候选框都处理完。
NMS阈值直接控制去重力度。阈值设得太高，例如0.8，只有高度重叠的框才会被抑制，同一个目标可能留下多个框；阈值设得太低，例如0.2，只要框之间有少量重叠就会被合并，不同目标尤其是密集排列的目标容易被错误删除。因此，NMS阈值必须结合目标排列密度和框回归精度来设置。
下面是一个基础NMS实现，可以帮助理解阈值在去重过程中的位置：
def compute_iou(box1, box2):
x1 = max(box1[0], box2[0])
y1 = max(box1[1], box2[1])
x2 = min(box1[2], box2[2])
y2 = min(box1[3], box2[3])
inter = max(0, x2 - x1) * max(0, y2 - y1)
area1 = (box1[2] - box1[0]) * (box1[3] - box1[1])
area2 = (box2[2] - box2[0]) * (box2[3] - box2[1])
union = area1 + area2 - inter
return inter / union if union > 0 else 0.0
def nms(boxes, scores, nms_threshold):
order = sorted(range(len(scores)), key=lambda i: scores[i], reverse=True)
keep = []
while order:
current = order.pop(0)
keep.append(current)
rest = []
for idx in order:
if compute_iou(boxes[current], boxes[idx]) < nms_threshold:
rest.append(idx)
order = rest
return [boxes[i] for i in keep]
在BAE场景中，如果检测目标是人、车辆等稀疏目标，NMS阈值可以设高一些，例如0.6到0.7。如果检测的是货架上的商品、密集的行人或重叠的文本区域，则建议降低到0.3到0.4。过于密集的场景还可以考虑使用Soft-NMS等变体，但在参数调整阶段，先固定使用标准NMS并寻找一个合适的阈值，是成本最低的优化方式。
三、置信度与NMS联合调优的完整步骤
置信度阈值和NMS阈值并不是彼此独立的。前者决定哪些框进入NMS，后者决定进入后的框如何合并。如果置信度阈值很低，大量低分框涌入NMS，此时NMS阈值若偏高，重复框会显著增加；如果置信度阈值很高，保留下来的框本身就少，NMS阈值的调整空间会被压缩。因此建议采用先粗调、再细调的顺序。
推荐先固定NMS阈值为0.5，在0.1到0.9之间调整置信度阈值，观察BAE返回结果。记录误检数量和漏检数量，找到一个业务可接受的置信度区间。