Tensor值自动翻倍求助：循环中non_max_suppression返回张量异常

核心原因：Tensor引用传递导致的原地修改 #

你遇到的问题本质是PyTorch Tensor的引用特性，加上non_max_suppression函数内部对传入的参数做了原地（in-place）修改。

具体细节：

• 当你把变量a传入non_max_suppression函数时，传递的是Tensor的内存引用，而非数据副本。如果函数内部对这个引用指向的Tensor（也就是你之前存储的a）做了原地操作（比如直接修改前4列的坐标值），那么即使你在循环里只是把pred赋值给a，下一次循环启动时，a指向的原始Tensor数据已经被函数修改了。
• 为什么print("2")时输出正常？因为pred是函数返回的新Tensor（或未被修改的新引用），但函数执行过程中已经悄悄修改了之前传入的a对应的Tensor内存数据——变量a只是指向内存的指针，当内存里的数据被改，后续访问a自然会看到变化。

结合YOLO系列的non_max_suppression实现来看，这个函数通常会有一个用于跟踪任务的参数（比如prev_boxes），内部会对传入的该参数进行原地更新（比如调整边界框坐标），而你传入的a正好对应这个参数，所以才会出现前4列（边界框的xywh坐标）翻倍的异常。

解决方案 #

1. 传入Tensor副本而非原引用：
   调用函数时，不要直接传a，而是传它的副本，避免原Tensor被函数修改：

   pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, a.clone() if a is not None else None, max_det=max_det)
   

   如果涉及梯度，可使用a.detach().clone()来切断梯度关联。

2. 确认函数参数行为：
   查看non_max_suppression的参数文档，确认传入的这个参数是否会被原地修改。如果是用于跟踪场景的参数，根据你的需求决定是否需要保留原数据，或调整函数调用逻辑。

内容的提问来源于stack exchange，提问作者Abhyudaya Singh