最近发现很多私信我的小伙伴会纠结于一件事情：将yolov5网络中的nms算法用wbf算法替换掉，以此来提升网络准确率。
那关于wbf算法是什么呢？
weighted boxes fusion（边界框融合算法）
既然已经到了要考虑替换nms的地步了，那我这里就默认大家已经熟悉了nms的流程，所以我就不多费口舌了，直接切入正题。（不知道nms如何工作的同学可以去c站搜nms，结果一箩筐）
wbf算法对于冗余预测框的处理，是将高于设定阈值的框全部利用起来。利用冗余检测框的坐标、类别、置信度，求平均数，得到处理之后的预测框。关于这一节的详细公式解释大家可以去看这位博主的解释，非常的容易懂。wbf算法详解
看完那位博主对于wbf的解释之后，大家肯定明白了wbf是如何融合多余的检测框的了，那么接下来就看看它与nms直接处理预测框的可视化图。
来看一下wbf算法官方给出的例子，大家一看就能明白wbf的效果如何。
官方给定了一个生成了多个预测框的图，分别使用了wbf和nms算法去处理冗余框，效果如下：
这一张是给定的生成的预测框的图，在这张图片上去展示wbf和nms两种算法的效果。
nms效果图
wbf算法效果图
便于大家去看，我用黑线去圈出了两种算法之间处理结果的差异。
可以看到，wbf算法对于冗余的预测框的做法，非常的符合中国人的中庸之道，置信度高的框，也不会完全就信你的，置信度底的框，也不会完全就不信你的，我把你俩中和一下，两边都不得罪。而nms呢，只要你与我置信度最高的那个框的iou一旦超过阈值，就觉得你是个小舔狗，直接就扔了，非常的暴力、没人性（人工智能也是要讲人性的嘛）。所以在这两张效果图上可以看出，wbf算法比起nms算法更加的贴合人工智能的核心，也就是像人，这也是他的优点。
wbf缺点
既然wbf要比nms效果更好，为什么用它的人却不多呢？
首先是推理速度，wbf处理预测框的速度是nms速度的三倍以上（我假设你明白了wbf是如何工作的，所以我也就不多解释为啥了）；
其次是工作量，对于我这种小白来说，如果想要求得比nms更好的后处理算法，我会选择nms的一系列变种，比如diou-nms和ciou-nms，代码易实现，推理速度也不会太让人急挠的，wbf我就不知道该怎么去实现了，费劲巴拉的，效果还没那么好；
最后，wbf是在nms处理之后的模型上研究出来的。
如何正确使用wbf
优点和缺点都已经介绍完了，那么我们该如何使用这个算法。在kaggle竞赛中，很多参赛者会使用wbf算法去处理多个模型的输出结果，使得处理之后的结果集百家之所长，达到从众多竞争对手中脱颖而出的效果。所以个人认为，如果你是在参加竞赛，要求准确率而对实时性要求不高，你可以将多个模型的推理结果送入wbf中去处理，这会取得不错的效果。但是如果你要用于模型创新中，wbf的结果可能会让你失望，我会推荐你选择nms的一系列变种，而不是使用wbf算法。
最后，有需要改yolo网络的同学们，请私聊我。