【目标检测】IOU计算学习笔记

最新推荐文章于 2024-04-29 17:55:25 发布

v1shuimo

最新推荐文章于 2024-04-29 17:55:25 发布

阅读量453

点赞数

分类专栏：目标检测学习文章标签： python 人工智能

本文链接：https://blog.csdn.net/v1shuimo/article/details/120049819

版权

目标检测学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

一.IoU的概念

IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。IoU是一个简单的测量标准，只要是在输出中得出一个预测范围(bounding boxex)的任务都可以用IoU来进行测量。

用来测量预测框图和真实框的相近程度，取值范围【0,1】，越接近1表明预测结果越接近真实值。

$IOU=\frac{A\cap B}{A\cup B}$ 公式（1）

如图1所示：为真实值和预测值的交集，为二者的并集。

图1 IOU示意图

具体结果如图2所示：图2中第三幅图结果优于前面两幅。

图2 IOU结果图

二、spyder中Iou的python代码实现

# -*- coding: utf-8 -*-
"""
Created on Wed Sep  1 22:05:48 2021

@author: lenovo
"""

import numpy as np
import cv2 

def CountIOU(A,B):
    #A B分别代表预测框和真实框
    # eg A = [50,50,300,300] 左上角50,50和右下角300,300坐标
    
    #计算交集坐标
    x_top=max(A[0],B[0])
    y_top=max(A[1],B[1])
    x_bottle=min(A[2],B[2])
    y_bottle=min(A[3],B[3])
    
    #计算交集面积
    interArea=(x_bottle-x_top)*(y_bottle-y_top)
    
    # 计算并集面积 ：areaA+areaB-interArea
    
    areaA=(A[2]-A[0])*(A[3]-A[1])
    areaB=(B[2]-B[0])*(B[3]-B[1])
    unArea=areaA+areaB-interArea
    
    iou=interArea/unArea
    print('iou=',iou)
    return iou
    
if __name__=='__main__':
    A = [50,50,300,300]
    B = [60,60,320,320]

    img=np.zeros((512,512,3),np.uint8)
    img.fill(255)
    cv2.rectangle(img,(A[0],A[1]),(A[2],A[3]),(0,255,0),5)
    cv2.rectangle(img,(B[0],B[1]),(B[2],B[3]),(255,0,0),5)
    IOU=CountIOU(A,B)
    font=cv2.FONT_ITALIC
    cv2.putText(img,"IOU=%.5f"%IOU,((A[2]+A[0])//2-20,(A[1]+A[3])//2),font,0.8,(0,0,0))
    cv2.imshow("IOU Test",img)
    cv2.waitKey()
    cv2.destroyAllWindows()

运行结果：