搜尋意圖： 如果你在找「非極大值抑制 是什麼」或「非極大值抑制 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 非極大值抑制 (NMS) 是一種在物件偵測中用於消除重複框的技術，它會保留置信度最高的框，並抑制與之高度重疊的其他框。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有看過物件偵測模型，明明只是一隻貓，卻框出好幾個重疊框？ 你可以把它想成把重複的框整理掉，只留下分數最高、最像真的那一個。 NMS 的工作就是清掉重複偵測，讓結果乾淨，不會一個物件被框十次。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
容易混淆
NMS vs IoU NMS：後處理流程，用來刪重複框 IoU：衡量兩個框重疊多少的指標 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
NMS vs Soft-NMS NMS：超過閾值就直接壓掉 Soft-NMS：不是刪除，而是慢慢降分數 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
記住這句就好
重疊太多的框，只留最好的。
實際案例
車輛偵測 模型同時框到同一台車的前半和後半，NMS 會保留最可信的框。
人臉偵測 多人臉場景裡，重疊框很多，NMS 讓畫面不會亂掉。
算法與應用
NMS 通常先依分數排序，再逐一比較 IoU，將高度重疊的框刪掉。 閾值設太高，可能留下太多重複框；設太低，又可能誤刪正確框。 它是物件偵測裡最典型的後處理步驟之一。
情境判斷
Q1（直覺題）： 模型對同一隻狗畫了四個框，你想保留最好的那個，該用什麼？
Q2（判斷題）： 如果框與框幾乎不重疊，NMS 還會刪很多嗎？
常見問題
NMS 會不會把真實框刪掉？
有可能，所以閾值要調得剛好。
它只用在物件偵測嗎？
主要是，但只要有重疊候選要篩選的任務，都可能借用這個概念。
Soft-NMS 比較好嗎？
常常更平滑，但速度和實作會稍微複雜。