目标检测系列之iou的计算（python实现）

最新推荐文章于 2024-03-17 17:35:20 发布
VIP文章 最新推荐文章于 2024-03-17 17:35:20 发布
阅读量7k 收藏 14
点赞数
文章标签： iou 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42631693/article/details/90747516
版权

1.IOU

      IOU(Intersection over Union)即交并比，是目标检测中衡量目标检测算法准确度的一个重要指标，顾名思义，即交集与并集的比值，那所谓的交集和并集分别指代什么呢？

 

目标检测是一个有监督学习的过程，它常常需要大量的有标签数据进行训练学习。目标检测实际要解决的问题有两个，一个是目标分类，还有一个就是目标定位，这里我把目标的位置信息也当作是一种标签，只不过这种标签是目标框的信息x,y,w,h，一般由人工标记。如上图所示，ground truth 所在的框就是一个目标真实label,而bounding box 就是目标检测算法预测的目标的label。如果两个框能完全重合，那么就说明目标检测算法预测结果完全正确，但通常这是不可能，目标框的预测实际是回归问题，回归问题的损失函数再怎么迭代更新，都不可能等于0。

      上图所示就是所谓的IOU，它是目标所在的真实框(ground truth) 与算法预测的目标所在的框(bounding box)的交集与并集的比值。这个IOU由什么用呢？有时我们听别人作报告时，会听到IOU阈值这类的说法，我们会用IOU阈值来判定预测的bou

最低0.47元/天 解锁文章
jayckwang
关注
  • 0
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
python:目标检测模型预测准确度计算方式(基于IoU)
12-23
训练完目标检测模型之后，需要评价其性能，在不同的阈值下的准确度是多少，有没有漏检，在这里基于IoU(Intersection over Union)来计算。 希望能提供一些思路，如果觉得有用欢迎赞我表扬我~ IoU的值可以理解为系统预测出来的框与原来图片中标记的框的重合程度。系统预测出来的框是利用目标检测模型对测试数据集进行识别得到的。 计算方法即检测结果DetectionResult与GroundTruth的交集比上它们的并集，如下图： 蓝色的框是：GroundTruth 黄色的框是：DetectionResult 绿色的框是：DetectionResult ⋂GroundTruth 红色
Compute IOU and Non Maximum Suppression in numpy
qq_37821701的博客
07-13 125
computer vision
目标检测---IOU计算详细解读(IoU、GIoU、DIoU、CIoU、EIOU、Focal-EIOU、SIOU、WIOU)
最新发布
慕溪同学的博客
03-17 4178
常见的一些边界框回归IOU损失函数原理与代码实现。
pytorch复现_IOU
weixin_45454137的博客
11-01 327
iou
Python - IoU 计算的相关实现
CARA的专栏
09-18 1633
Python - IoU 计算的相关实现 分割和检测中涉及的一些 IoU 相关计算的代码段. 1. Extract bboxes from mask 从 masks 计算边界框(bounding boxes). 输入： masks- [height, width, num_instances]，其中 height 和 width 为 mask 的高和宽，num_instances 为实例数(masks 数). 每个 mask 的像素值是二值的，0 或 1. 输出： boxes- [num_..
python实现IOU计算
热门推荐
木盏
08-13 3万+
计算两个矩形的交并比，通常在检测任务里面可以作为一个检测指标。你的预测bbox和groundtruth之间的差异，就可以通过IOU来体现。很简单的算法实现，我也随便写了一个，嗯，很简单。 1. 使用时，请注意bbox四个数字的顺序(y0,x0,y1,x1)，顺序不太一样。 #!/usr/bin/env python # encoding: utf-8 def compute_iou(r...
计算目标检测IoU、Precision、Recall
05-15
计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、...
python shapely.geometry.polygon任意两个四边形的IOU计算实例
01-20
在目标检测中一个很重要的问题就是NMS及IOU计算，而一般所说的目标检测检测的box是规则矩形框，计算IOU也非常简单，有两种方法： 1. 两个矩形的宽之和减去组合后的矩形的宽就是重叠矩形的宽，同比重叠矩形的高 2. 右...
计算目标检测二分类结果的Precision,Recall,TP,FP与FN(python)
11-04
输入标注txt文件与预测txt文件路径，计算P、R、TP、FP与FN。txt格式为class、归一化后的矩形框中点x y w h，可调整IOU阈值
计算一个框和其他所有框的IOU
一路狂奔的猪的博客
02-26 622
import os import json import numpy as np def culculate_iou(box,checked_boxes): ''' :param box: [x1,y1,x2,y2] :param checked_boxes: [N,x1,y1,x2,y2] :return: ''' b1=np.array(box) b2=np.array(checked_boxes) xx=np.maximum(b1[0.
mask-rcnn 代码解析01
weixin_44576543的博客
03-17 523
1、代码来源link ： 2、代码构成： 3、首先看一下 utils.py 看一下模型定义 from mrcnn import utils #因为model中导入utils.py 先看一下工具类型 如何定义函数的 def extract_bboxes(mask): 输入为mask 提取每个实例的bbox用于训练和监督 返回 bbox def compute_iou(box, boxes, box_area, boxes_area): """Calculates IoU.
python图像分割iou计算
weixin_42618420的博客
03-23 1347
python图像分割iou计算
python:目标检测模型预测准确度计算(基于IoU)
杰斯的盐
12-11 6080
训练完目标检测模型之后，需要评价其性能，在不同的阈值下的准确度是多少，有没有漏检，在这里基于IoU(Intersection over Union)来计算。   希望能提供一些思路，如果觉得有用欢迎赞我表扬我~   IoU的值可以理解为系统预测出来的框与原来图片中标记的框的重合程度。系统预测出来的框是利用目标检测模型对测试数据集进行识别得到的。 计算方法即检测结果DetectionRes...
目标检测中IOU和NMS的python实现
dddeee的专栏
12-29 2628
目标检测iou矩阵计算与nms的python实现
目标检测IOU指标的python实现
梦坠凡尘
02-21 1259
IOU指标是目标检测中重要的评价指标，即交集与并集的比值。 如图： IOU的计算公式如下： 即预测框与真实框的交并比。先计算交集的面积，在计算并集的面积，然后求两者的比值。 计算代码如下： 其中ground truth的坐标为（x0,y0,w0,h0)，bounding box的坐标分别为（x1,y1,w1,h1) W = w0+w1-(max((x0+w0),(x1+w1))-min(x0,...
python 图像iou_python实现IOU计算
weixin_34394074的博客
12-29 1107
计算两个矩形的交并比，通常在检测任务里面可以作为一个检测指标。你的预测bbox和groundtruth之间的差异，就可以通过IOU来体现。#!/usr/bin/env python# encoding: utf-8import numpy as np'''函数说明：计算两个框的重叠面积输入：rec1 第一个框xmin ymin xmax ymaxrec2 第二个框xmin ymin xmax ...
IOU计算Python代码实现
Vodka_Lou的博客
04-21 7279
文章目录一、目标检测中的IOU代码实现二、代码总结 一、目标检测中的IOU代码实现 目标检测中会用IOU大小的值来衡量检测结果与准确结果之间的差距，IOU的计算公式： IOU=A∩B/A∪B，式中A，B为检测结果和准确结果（groundtruth）检测框的面积大小。 二、代码 代码如下（示例）： def compute_iou(rec_1,rec_2): ''' rec_1:左上角(rec_1[0],rec_1[1]) 右下角：(rec_1[2],rec_1[3]) r.
目标检测python计算tp、fp代码
08-30
目标检测是计算机视觉中的重要任务，它旨在检测图像或视频中的特定目标，并给出它们的位置和边界框。在目标检测中，通常会使用一些评估指标，如真阳性（True Positive，TP）和假阳性（False Positive，FP）来衡量算法的性能。 TP表示正确检测到的目标数目，而FP表示算法错误检测到的目标数目。下面是一个使用Python计算TP和FP的示例代码： ```python def calculate_tp_fp(ground_truth, detection_result): tp = 0 fp = 0 for bbox in detection_result: found_match = False for gt_bbox in ground_truth: iou = calculate_iou(bbox, gt_bbox) if iou >= 0.5: # 设定IOU阈值 found_match = True break if found_match: tp += 1 else: fp += 1 return tp, fp def calculate_iou(box1, box2): # 计算两个边界框的交并比（IoU） # 这里省略具体实现 return iou # 测试示例 ground_truth = [[10, 10, 50, 50], [70, 80, 120, 150]] detection_result = [[15, 20, 45, 55], [80, 90, 110, 140], [200, 200, 250, 250]] tp, fp = calculate_tp_fp(ground_truth, detection_result) print("True Positives: {}".format(tp)) print("False Positives: {}".format(fp)) ``` 在上述示例代码中，`calculate_tp_fp`函数接收两个参数，`ground_truth`表示真实目标的边界框列表，`detection_result`表示算法检测到的边界框列表。函数通过计算每个检测结果的IOU与真实目标的IOU是否大于等于0.5来决定其是TP还是FP。最后，返回的`tp`和`fp`即为计算得到的真阳性和假阳性的数目。 这只是一个简单的示例代码，实际情况中可能需要考虑更多的细节和优化。希望以上回答对你有帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值