机器学习IoU计算

在机器学习中，特别是在计算机视觉和目标检测领域，IoU（Intersection over Union，交并比）是一个常用的评估指标。它衡量的是预测边界框（predicted bounding box）与真实边界框（ground truth bounding box）的交叠程度。
IoU的计算公式如下：
     IoU = 重叠面积/面积和
具体步骤如下：

计算交集的面积：找到预测框和真实框相交的部分，计算该相交区域的面积。
计算并集的面积：计算预测框和真实框合并起来的总面积。
求IoU值：将交集的面积除以并集的面积。
IoU的值范围从0到1，其中：
-IoU = 0 表示预测框和真实框没有重叠。
- IoU = 1 表示预测框和真实框完全重叠。
- 通常在目标检测任务中，设定一个阈值（比如0.5），只有当IoU大于这个阈值时，才认为检测是正确的。
IoU是目标检测中非常重要的一个概念，因为它简单直观，可以有效地反映预测框与真实框的匹配程度。在许多目标检测算法中，如Faster R-CNN、SSD和YOLO等，都会用到IoU来进行训练和评估。
输入两个box列表，列表的值为预测框和真实框的中点坐标和长和宽。先通过列表数据得到两框的左上角和右下角的坐标，之后分别选取重叠区域的左上角和右下角坐标，之后计算重叠部分面积 积/两框面积的和 

import numpy as np
def Iou(box1, box2):
    x_1 = box1[0]
    y_1 = box1[1]
    w_1 = box1[2]
    h_1 = box1[3]
    x_2 = box2[0]
    y_2 = box2[1]
    w_2 = box2[2]
    h_2 = box2[3]  
    x_1_1 = x_1 - w_1/2
    x_1_2 = x_1 + w_1/2
    y_1_1 = y_1 - h_1/2
    y_1_2 = y_1 + h_1/2
    x_2_1 = x_2 - w_2/2
    x_2_2 = x_2 + w_2/2
    y_2_1 = y_2 - h_2/2
    y_2_2 = y_2 + h_2/2
    if x_1_1 > x_2_1:
        a1 = x_1_1
    else:
        a1 = x_2_1
    if y_1_1 > y_2_1:
        b1 = y_2_1
    else:
        b1 = y_1_1
    if x_1_2 > x_2_2:
        a2 = x_2_2
    else:
        a2 = x_1_2
    if y_1_2 > y_2_2:
        b2 = y_1_2
    else:
        b2 = y_2_2    
    s1 = (a2 - a1) * (b2 - b1)
    s = (w_1 * h_1) * (w_2 * h_2) - s1
    return s1/s
box1 = [3, 3, 4, 6]
box2 = [4, 2, 4, 6]
Iou(box1, box2)