计算机视觉-IOU怎么计算？

计算机视觉-IOU怎么计算？

呐，IOU的应用及快速实现就在下面了，在实现时特别要注意两个bbox相离的情况的处理。

0. IOU的应用有哪些？

IOU（Intersection over Union）是目标检测任务中非常常见的，IOU在目标检测中应用有：

• 进行NMS（非极大值抑制）：当在图像中预测有多个proposals、pred bboxes时，因为预测的结果中可能存在高度冗余（即一个目标可能会被预测出多个目标检测框），因此需要过滤掉一些彼此间高度重合的结果。具体操作流程是先对各个bbox的score（分类）进行降序排序，再通过设置的IOU阈值，剔除掉与得分高的bbox有高重合度的低分框。IOU设置的越大，表示剔除难度越高，最后剩余的bbox越多，而IOU设置的越小，则表示剔除难度越小，剔除力度就越大，最后剩余的bbox就越少。
• 计算mAP：得到检测算法的预测结果后，需要对pred bbox与gt一起评估检测算法的性能，最常用的指标就是mAP。这时候，IOU常常被用于计算pred bbox与gt之间的重合度以度量bbox位置预测的准确度得分，然后通过设置的一系列阈值，依据分数和阈值来划分TP和FP，并计算得到一系列阈值设置下的（precision,recall）对，进而计算出mAP。
• IOU经过改良后，也可以用来计算loss，通过反传梯度的方式优化网络参数。

1. IOU怎么计算？

2. IOU怎么实现？

import numpy as np

def calculate_iou(pred_box, gt_box):
    
    x1, y1, x2, y2 = pred_box[0], pred_box[1], pred_box[2], pred_box[3]
    x1_g, y1_g, x2_g, y2_g = gt_box[0], gt_box[1], gt_box[2], gt_box[3]

    shadow_x1 = max(x1, x1_g)
    shadow_y1 = max(y1, y1_g)
    shadow_x2 = max(min(x2, x2_g), shadow_x1)
    shadow_y2 = max(min(y2, y2_g), shadow_y1)

    bbox_w = shadow_x2 - shadow_x1
    bbox_h = shadow_y2 - shadow_y1

    intersection = bbox_h * bbox_w
    union = (x2-x1)*(y2-y1) + (x2_g-x1_g)*(y2_g-y1_g) - intersection

    iou = intersection / union

    return iou

if __name__ == "__main__":
    pred_box = np.array([50,50,90,100])
    gt_box   = np.array([0,0,20,50])

    iou = calculate_iou(pred_box, gt_box)
    print(f"IOU is {iou}")