Wat is Non-Maximum Suppression?

Wat is Non-Maximum Suppression?

Stel je voor dat je met een groep vrienden foto's van een feestje bekijkt, en iedereen roept tegelijk "Kijk, daar staat Jan!" terwijl ze allemaal naar dezelfde persoon wijzen. Dat is precies wat er gebeurt bij objectdetectie in AI: het systeem vindt vaak meerdere detecties voor hetzelfde object — een auto wordt misschien vijf keer "gezien" met vijf net iets andere kaders eromheen.

Non-Maximum Suppression (NMS) is de techniek die al die dubbele meldingen opruimt. Het kijkt naar alle overlappende detecties, kiest de beste (met de hoogste betrouwbaarheidsscore), en gooit de rest weg. Het resultaat: je krijgt één duidelijk kader rond de auto in plaats van vijf half overlappende.

Hoe werkt het eigenlijk?

Het proces is verrassend simpel:

• Het AI-model maakt eerst tientallen tot honderden voorspellingen per object — allemaal met een betrouwbaarheidsscore ("ik ben voor 95% zeker dat dit een hond is")

• NMS begint met de voorspelling met de hoogste score

• Vervolgens kijkt het naar alle andere voorspellingen die sterk overlappen met die beste (bijvoorbeeld: meer dan 50% van het kader overlapt)

• Die overlappende voorspellingen worden onderdrukt (verwijderd)

• Dit proces herhaalt zich voor de op-één-na beste voorspelling, enzovoort

De naam zegt het eigenlijk al: alle detecties behalve het maximum (de beste) worden onderdrukt.

Waarom heb je dit nodig?

Zonder NMS zou een zelfrijdende auto compleet verward raken. Elke voetganger zou drie keer geteld worden, elke verkeersbord zou als cluster van detecties verschijnen. Het systeem zou niet weten waar het aan toe is.

Met NMS krijg je een schone, bruikbare output:

• Objectdetectie: één kader per auto, persoon, dier of voorwerp

• Gezichtsherkenning: één detectie per gezicht, ook als iemand half achter iemand anders staat

• Medische beeldanalyse: één markering per afwijking op een röntgenfoto

Het maakt het verschil tussen een rommelige cloud van mogelijkheden en een duidelijk antwoord.

Een voorbeeld uit de praktijk

Denk aan een beveiligingscamera op een parkeerplaats. Als een auto het beeld inrijdt, kan het AI-model deze detecteren op tien verschillende manieren — net iets naar links, net iets naar rechts, iets groter, iets kleiner. Allemaal valide, allemaal met een score tussen de 80% en 95%.

NMS kiest de detectie met 95%, checkt of de andere negen sterk overlappen (doen ze), en gooit ze weg. Op je scherm verschijnt nu één groen kader rond de auto met de tekst "voertuig: 95%" — in plaats van tien half-doorzichtige kaders door elkaar.

Waar kom je het tegen?

Non-Maximum Suppression zit ingebakken in vrijwel alle moderne objectdetectie-systemen:

• YOLO (You Only Look Once) — een veelgebruikt real-time detectie-model

• Faster R-CNN — populair voor nauwkeurige objectdetectie

• SSD (Single Shot Detector) — snel detectiemodel voor video

• RetinaNet — gebruikt in medische beeldanalyse

• Detectron2 (Meta) — framework voor onderzoek en productie

• TensorFlow Object Detection API — kant-en-klare detectie-tools

• Azure Computer Vision, Google Cloud Vision — commerciële diensten

Je hebt meestal geen controle over NMS als eindgebruiker — het zit verstopt in de techniek. Maar als ontwikkelaar kun je vaak de drempelwaarde aanpassen: hoe streng moet de overlap zijn voordat een detectie wordt onderdrukt?

Wat kun je ermee?

Als je met AI-beeldherkenning werkt, hoef je NMS meestal niet zelf te bouwen — het zit standaard in de tools. Maar het is goed om te begrijpen waarom je systeem soms toch twee kaders rond hetzelfde object tekent (de overlap-drempel staat misschien te laag), of waarom het juist objecten mist die dicht bij elkaar staan (de drempel staat te hoog).

Voor bedrijven die objectdetectie inzetten — van kwaliteitscontrole in fabrieken tot het tellen van bezoekers in winkels — is NMS het onzichtbare hulpje dat zorgt dat de cijfers kloppen. Zonder zou je inventarisatie, traffic-analyse en automatische inspectie simpelweg niet betrouwbaar zijn.