Weighted-Boxes-Fusion: 实现来自多种对象检测模型的盒子集合方法，包含“加权盒子融合（WBF）”技术

简介：
Weighted-Boxes-Fusion是一种创新的方法，用于整合多个物体检测模型输出的边界框。该方法采用加权盒子融合(WBF)技术，有效提升目标检测的整体性能和精度。 加权盒融合存储库包含了几种用Python实现的方法，用于组合对象检测模型中的框：非最大抑制（NMS）、软网管、非最大加权（NMW）以及加权框融合（WBF）。这些新方法相较于其他方法能够提供更好的结果。使用时需要安装Python 3.*版本，并且要确保已安装了Numpy和Numba库，可以通过命令`pip install ensemble-boxes`进行安装。 用法示例中假设输入的坐标已经标准化，例如范围在[0;1]之间。顺序为：x1, y1, x2, y2。以下是两个模型预测盒子的例子。第一个模型预测了5个框，第二个模型则预测了4个框。每个盒子里都有一个置信度得分： - 第一个模型的分数分别为：[0.9、0.8、0.2、0.4、0.7] - 第二个模型的分数为：[0.5、0.8、0.7、0.3] 每个盒子还有对应的标签（类别）： - 第一个模型中的类分别是：[0，1，0，1，1] - 第二个模型中的类则是：[1、1、1、0] 在示例中还提到将第一个模型的权重设置为2，而第二个模型没有特别指定权重。