Python 如何使我的非最大抑制实现更快？

我实现了如下所示，并遇到了一个运行时问题。该算法的最坏情况时间复杂度为

O（N^2）

有没有办法做得更快？我有

100000-200000次呼叫的数据帧

def NMS(df,K=0.6):
    all_boxes = []
    for _,row in df.iterrows():
        all_boxes.append(Box(row.x1,row.y1,row.x2,row.y2,row.probability))
    all_boxes.sort(key=lambda x: x.prob, reverse=True)
    N=len(all_boxes)
    B=[i for i in range(N)]
    D=[]
    while len(B)>0:
        highest_box_idx = B.pop(0)
        highest_box     = all_boxes[highest_box_idx]
        D.append(highest_box_idx)
        for b_idx in B:
            other_box = all_boxes[b_idx]
            if highest_box.IoU(other_box)>K:
                B.remove(b_idx)
    return df.iloc[D,:]

您可以使用

我读到了这篇文章，作为寻求

让我们知道它是如何为你工作的

计算机视觉岩石！在上面做笔记。
您可以使用

我读到了这篇文章，作为寻求

让我们知道它是如何为你工作的

计算机视觉岩石！记下来