目标检测面试：IOU计算+mAP计算（Python+pytorch计算实现）

def iou(boxA, boxB):
    #计算重合部分的上下左右4个边的值，注意最大最小函数的使用
    left_max = max(boxA[0], boxB[0])
    top_max = max(boxA[1], boxB[1])
    right_min = min(boxA[2], boxB[2])
    bottom_min = min(boxA[3], boxB[3])
    #计算重合部分面积
    inter = max(0, (right_min-left_max) * max(0, (bottom_min-top_max)))
    Sa = (boxA[2]-boxA[0]) * (boxA[3]-boxA[1])
    Sb = (boxB[2]-boxB[0]) * (boxB[3]-boxB[2])
    #计算所有区域的面积并计算IOU值，如果python是2，则增加浮点化操作
    uniou = Sa+Sb-inter
    iou =inter / iou                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                 

#类别评测过程中的AP求解过程，det_boxes:包含全部图像中所有类别的预测框，其中一个预测框包含
#[left, top, right, bottom, score, NameofImage]
#gt_boxes:包含全部图像中所有类别的标签，其中一个标签的内容为[left, top, right, bottom, 0]。
##需要注意的是，最后一位0代表该标签有没有被匹配过，如果匹配过这将会置为1，其他预测框再去匹配则为误检框。

for c in class:
    #通过类别作为关键字，得到每个类别的预测、标签及总的标签数
    dects = det_boxes[c]
    gt_class = gt_boxes[c]
    npos = num_pos[c]
    #利用得分作为关键字，对预测框按照得分从高到低进行排序
    dects = sorted(dects, key=lambda conf: conf[5], reverse=True)
    #设置两个与预测边框长度相同的列表，标记是True Psoitive还是False Positive
    TP = np.zeros(len(dects))
    FP = np.zeros(len(dects))
    #对某一个类别的预测框进行遍历
    for d in range(len(dects)):
        #将IOU默认置为最低
        iouMax = sys.float_info.min
        #遍历与预测框同一图像中的同一类别的标签，计算IOU
        if dects[d][-1] in gt_class:
            for j in range(len(gt_class[dects[d][-1]])):
                iou = Evaluator.iou(dects[d][:4], gt_class[dects[d][-1]][j][:4])
                if iou > iouMax:
                    iouMax = iou
                    jmax = j  #记录与预测有最大IOU的标签

            #如果最大IOU大于阈值，并且没有匹配过，这赋予TP
            if iou>= cfg['iouThreshold']:
                if gt_class[dects[d][-1]][jmax][4] == 0:
                    TP[d] = 1
                    gt_class[dects[d][-1]][jmax][4] = 1
                #如果被匹配，赋予FP
                else:
                    FP[d] = 1
            #如果最大IOU没有超过阈值，赋予FP
            else:
                FP[d] = 1
        #如果对于图像没有该类别的标签，赋予FP
        else:
            FP[d] = 1
    #利用Numpy中的cumsum()函数，计算累计的FP与TP
    acc_FP = np.cumsum(FP)
    acc_TP = np.cumsum(TP)
    #得到没个点的recall
    rec = acc_TP / npos
    prec = np.divide(acc_TP, (acc_FP + acc_TP))
    #利用Recall与precision进一步计算得到Ap        
    [ap, mpre, mrec, ii] = Evaluator.CalculateAveragePrecision(rec, prec)