YOLO非极大值抑制(NMS)原理与后处理优化在目标检测（Object Detection）的工程实践中，人们往往把绝大部分注意力放在骨干网络（Backbone）、特征金字塔（Feature Pyramid Network, FPN）和检测头（Detection Head）的设计上，而把后处理（Post-Processing）当成一段"照抄即可"的附属代码。真实情况恰恰相反：在 YOLO 系列模型部署到边缘设备、产线相机或高并发视频流的场景中，后处理常常占据端到端延迟的百分之二十到百分之五十，同时也是密集场景漏检、遮挡目标消失、小目标被合并等问题的直接来源。非极大值抑制（Non-Maximum Suppression, NMS）正是后处理链条上最核心、也最容易被低估的一环。本文从检测流水线的整体结构出发，系统梳理交并比（Intersection over Union, IoU）计算、候选框排序、标准 NMS 的贪心抑制逻辑与复杂度，分析其在密集与遮挡场景下的结构性缺陷；随后横向对比主流工具链中的 NMS 实现，深入讲解 Soft-NMS、GIoU-NMS、DIoU-NMS、Cluster-NMS、Matrix NMS 等变体的动机与适用边界；最后给出 YOLOv8 的完整解码与 NMS 实战代码、纯 NumPy 向量化实现，以及 GPU、TensorRT 插件、批处理、量化等工程加速手段，并讨论以 YOLOv10 为代表的 NMS-free 演进方向与选型建议。全文兼顾原理推导与工程落地，力求让读者既知道"为什么这样做"，也知道"在什么情况下不该这样做"。一、后处理在检测流水线中的位置