NMS后处理（只在测试时采用）

先obj_score置信度抑制过滤得分低的box，然后对剩下的做NMS抑制。

NMS抑制时仅仅使用置信得分(这个score = obj_score * cls_score)来排序，依次与类别内置信度高的box做IOU抑制。

NMS流程：
1. 先 分类别 按置信度排序，放到一个集合A中
2. 每一类内，依次跟集合内最大置信度的box进行IOU抑制，大于IOU阈值的从集合A内直接剔除，将最大置信度的box从集合A转移到集合B中
3. 依次对集合A中剩余的box做第2步操作，最终得到的集合B就是本类的预测结果

4. 对所有的类别对应的集合A和B，执行以上操作，得到所有类别的预测结果

 

import numpy as np
def nms(dets, thresh):
    """Pure Python NMS baseline."""
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    scores = dets[:, 4]
    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    order = scores.argsort()[::-1]  # 置信度从高到低排序
    keep = []
    while order.size > 0:
        i = order[0]    # 此类别中置信度最高的预测框的索引
        keep.append(i)  # 将其作为保留下来的第1个预测框
        xx1 = np.maximum(x1[i], x1[order[1:]])
        yy1 = np.maximum(y1[i], y1[order[1:]])
        xx2 = np.minimum(x2[i], x2[order[1:]])
        yy2 = np.minimum(y2[i], y2[order[1:]]）
        w = np.maximum(0.0, xx2 - xx1 + 1)
        h = np.maximum(0.0, yy2 - yy1 + 1)
        inter = w * h
        ovr = inter / (areas[i] + areas[order[1:]] - inter) # 计算其余预测框与置信度最高的预测框的IoU
        inds = np.where(ovr <= thresh)[0]  # 记录下第1个与其Iou<阈值的预测框，也就是与其Iou<阈值的预测框中置信度最高的
        order = order[inds + 1]     # 将与保留下来的第1个预测框Iou<阈值的预测框中置信度分数最高的预测框作为第2个要保留的
    return keep  # 所有经过NMS后保留下来的框