目标检测之IoU

IoU（交并比）是目标检测中一个常用的概念，通常用来衡量候选框（candidate）与真实标记框（ground truth）之间的交叠程度。

定义两个集合A和B，两者的IoU为两者的交与两者的并的比值，即：$IoU=\frac{A\cap B}{A\cup B}$。

例如图中有两个有重叠部分的矩形：一个是蓝色矩形A，另一个是绿色矩形B，交叠部分用橙色表示。则矩形A和B的 IoU 为橙色面积与三色面积总和的比值。

那么这个IoU实际用途是什么呢？我们知道，在Pascal VOC这些数据集中，都标定好了物体在图像中位置，这些标定物体位置的矩形框成为ground truth（GT）。示例如下：

我们现在要自己产生一些候选框，这些候选框应该尽可能的与GT重叠，以保证其位置和大小的识别准确性，这种情况下，候选框和GT的 IoU 接近1；如果候选框和GT重叠部分很少，或者交叠部分远小于两者的面积总和，那么 IoU 的值趋近于0。

candidate（黄色）与GT（蓝色）大致存在以下三种关系：

（1）对于左图，candidate和GT的 IoU 趋近于1，可以认为是效果比较好的候选框；

（2）对于中图，candidate和GT的重叠部分较少，因此 IoU 比较小，效果不好；

（3）对于右图，虽然candidate和GT的重叠部分为整个黄色框，但是两者的面积（GT面积）总和更大，因此 IoU 也比较小，效果一般。

最后放一段计算 IoU 的代码：

def compute_iou(boxA, boxB):
    #box四个参数：左上角横坐标、纵坐标，右下角横坐标、纵坐标
    int_w = max(min(boxA[2], boxB[2]) - max(boxA[0], boxB[0]), 0)
    int_h = max(min(boxA[3], boxB[3]) - max(boxA[1], boxB[1]), 0)

    inter = int_h * int_w
    union = (boxA[3] - boxA[1]) * (boxA[2] - boxA[0]) + (boxB[3] - boxB[1]) * (boxB[2] - boxB[0]) - inter

    iou = inter / union
    return iou