加权盒融合 存储库包含Python方法的几种实现，这些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） 加权框融合（WBF） -与其他方法相比，可以提供更好的结果的新方法 要求 Python 3。*，Numpy，Numba 安装 pip install ensemble-boxes 用法示例 预计将标准化的框的坐标，例如，范围为[0; 1]。 顺序：x1，y1，x2，y2。 下面的2种型号的盒装示例。 第一个模型预测5个盒子，第二个模型预测4个盒子。 每个盒子模型的置信度得分1：[0.9、0.8、0.2、0.4、0.7] 每个盒子模型2的置信度得分：[0.5、0.8、0.7、0.3] 每个包装盒型号1的标签（类）：[0，1，0，1，1] 每个盒子模型2的标签（类）：[1、1、1、0] 我们将第一个模型的权重设置为2，将第二个模型

DESlib DESlib是一个易于使用的集合学习库，致力于实现动态分类器和集合选择的最新技术。 该库基于 ，并使用相同的方法签名： fit ， predict ， predict_proba和score 。 所有动态选择技术都是根据的定义实施的。 动态选择： 动态选择（DS）是指根据要分类的每个新样本在测试时动态选择基本分类器的技术。 仅选择最胜任的分类器或最胜任的分类器来预测特定测试样品的标签。 这些技术的基本原理是，不是池中的每个分类器都是对所有未知样本进行分类的专家，而是每个基本分类器都是在特征空间的不同局部区域中的专家。 DS是最有前途的MCS方法（多重分类器系统）之一，原因是越来越多的实证研究表明其性能优于静态组合方法。 这样的技术已经实现了更好的分类性能，尤其是在处理小型且不平衡的数据集时。 安装： 可以使用pip安装该软件包： 稳定版： pip install