目标检测之IoU(intersecton over union)标准

最新推荐文章于 2024-07-04 22:07:34 发布
最新推荐文章于 2024-07-04 22:07:34 发布
阅读量1.4k 收藏 3
点赞数
分类专栏： 学习笔记
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/workerwu/article/details/78894573
版权

https://www.pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/

https://i-blog.csdnimg.cn/blog_migrate/20f72a26fa2216b952ea4435f4ad328b.jpeg

绿色代表ground truth box，红色代表predictive box. 

ground truth box 需要手动标注，predictive box是你选用的模型计算出来的结果。

将两者放在一起用IOU来衡量我们的模型检测目标的有效性。

从下图你可以很直观的看到IoU的计算。


Figure 2: Computing the Intersection of Union is as simple as dividing the area of overlap between the bounding boxes by the area of union (thank you to the excellent Pittsburg HW4 assignment for the inspiration for this figure).


Figure 3: An example of computing Intersection over Unions for various bounding boxes.

从python编程的角度实现

def bb_intersection_over_union ( boxA , boxB ) :
# determine the (x, y)-coordinates of the intersection rectangle
xA = max ( boxA [ 0 ] , boxB [ 0 ]
最低0.47元/天 解锁文章
workerwu
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
目标检测中的IOU
嵌入式与人工智能
08-05 1458
IOU
目标检测 IOU
weixin_44656422的博客
02-21 1146
1、什么是IoU(Intersection over Union) 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。为了可以使IoU用于测量任意大小形状的物体检测，我们需要： ground-truth bounding boxes（人为在训练集图像中标出要检测物体的大概范围） 我们的算法得出的结果范围。 也就是说，这个标准用于测量真实和预测之间的相...
目标检测：IOU
JIA_NG_FA_N的博客
06-17 632
IOU（Intersection over Union）交并比：它计算的是“预测的边框”和“真实的边框”的交叠率，即它们的交集和并集的比值。这个比值用于衡量预测边框与真实边框的重叠程度，从而评估目标检测的准确性。在目标检测任务中，通常使用bounding box与ground truth之间的IoU值大小来判断预测结果的好坏。一般情况下，认为IoU>0.5就是一个不错的预测结果。两个box区域的交集除以并集总的来说。
目标检测之IoU
lzz555517的博客
08-31 400
目标检测之IoU 本博客主要作为本人学习记录，如果错误烦请指正哟~ IoU作为目标检测算法性能mAP计算的一个非常重要的函数，其计算过程是怎样的？ 1. IoU原理 IoU全程交并比(Intersection over Union)，计算的是“预测的边框”和“真实的边框”的交集和并集的比值。 预测边框的并集容易计算，即两个边框面积相加减去交集，但是交集不易计算。在计算交集时你首先想到的是，根据两个框的相对位置来计算交集，如图： 但是这样程序分支太多，设计较为麻烦了，所以可以先从一维角度考虑计算交集，如图
【目标检测】IOU介绍
qq_43471945的博客
02-15 1万+
目前较为流行的IOU，其中包含最新的wise-IOU
目标检测之IoU（box:[top, left, bottom, right]）
weixin_51268175的博客
01-17 2018
参考： 目标检测之 IoU_黑暗星球-CSDN博客_目标检测iouIoU 作为目标检测算法性能 mAP 计算的一个非常重要的函数。但纵观 IoU 计算的介绍知识，都是直接给出代码，给出计算方法，没有人彻底地分析过其中的逻辑，故本人书写该篇博客来介绍下其中的逻辑。IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。...https://blog.csdn.net/
目标检测：IoU介绍及其改进
qq_50001789的博客
06-26 1979
在目标检测中常用到一个指标IoU，又称交并比，用于衡量一幅图像中两个边界框的重合度。在训练阶段，可以用于衡量锚框和物体边界框之间的相似度，来给每个锚点划分正负样本，即给锚点匹配标签，同时也可以用作损失函数，通过提高预测边界框与真实边界框之间的相似度来改善网络预测物体边界框的能力；在测试阶段，可以利用IoU来衡量预测边界框之间的重合度，用于过滤重合度高的边界框，即参与NMS运算。计算公式边界框A和边界框B之间的交集区域面积除以并集区域面积IoUA∩BA∪BIoUA∪BA∩B​。
理解目标检测中的iou
zhaojinmiao的博客
07-09 209
IOU的输入 1 ground-truth的bounding box 2 预测的bounding box IOU的输出 输出为值在[0,1]之间的数字 IoU(Intersection over Union) = 两个矩形交集的面积/两个矩形的并集面积 其实换言之，就是真实的目标区域与预测的目标区域之间的比值。以Iou作为目标函数是为了避免一味的追求交集最大，而使得预测的目标区域过大。 列如下图红框的效果要比绿框的效果差，但是只看交集的话，红框则会更好，显然不满足实际的一个需要。 .
简单理解目标检测的IOU究竟是什么
向往有那么一天梦幻的步态识别落地，开花❀！
07-11 4513
目标检测中有一个很重要的概念便是IOU，那么什么是IOU？ IOU是一种评价目标检测器的一种指标。 下图是一个示例：图中绿色框为实际框，红色框为预测框，当我们需要判断两个框之间的关系时，需要用什么指标呢？ 此时便需要用到IOU。....................................
目标检测入门：3.目标检测损失函数（IOU、GIOU、DIOU）
最新发布
weixin_43946736的博客
07-04 1177
本章主要将了IOU、GIOU、CIOU的原理和代码实现，最后使用DIOU实战小黄人目标检测。
object_detection_confusion_matrix:Python类，用于计算对象检测任务的混淆矩阵
05-11
用于目标检测的混淆矩阵 ConfusionMatrix类可用于为对象检测任务生成混淆矩阵。 用法 在测试代​​码中，您需要使用适当的参数声明ConfusionMatrix类。 conf_mat = ConfusionMatrix(num_classes = 3, CONF_THRESHOLD = 0.3, IOU_THRESHOLD = 0.5) 该类具有一个名为process_batch的函数，您可以使用它来更新混淆矩阵。 用法示例可以是： conf_mat.process_batch(preds, gt_boxes)其中preds是模型做出的预测，[N，6] x1，y1，x2，y2，置信度，类和gt_boxes是地面真相标签，[M，4] x1，y1，x2 ，y2，班级。 参考 该存储库使用Pytorch存储库中的函数 和 代码与下面的存储库非常相似，该存储库的主要贡献是Co
目标检测-回归损失函数
shhh的博客
01-20 1077
最近在对损失函数进行改进，对经典的损失函数以及最近学习的损失函数进行梳理。
关于IoU（Intersection over Union）的简单介绍
zy的博客
10-03 668
IoU的简单介绍
目标检测 IoU、GIoU、DIoU、CIoU、EIoU
scott198512的博客
04-04 6510
目标检测常用边界框IOU对比
NMS及IOU原理讲解和代码解析
qq_38375203的博客
06-20 1187
NMS（non maximum suppression），中文名非极大值抑制，在很多计算机视觉任务中都有广泛应用，如：边缘检测、目标检测等。这里主要以人脸检测中的应用为例，来说明NMS，并给出Matlab和C++示例程序。以下图为例，由于滑动窗口，同一个人可能有好几个框(每一个框都带有一个分类器得分)。而我们的目标是一个人只保留一个最优的框：于是我们就要用到非极大值抑制，来抑制那些冗余的框： 抑制的过程是一个迭代-遍历-消除的过程。主要分为以下三步：（1）将所有框的得分排序，选中最高分及其对应的框：（2）遍
目标检测之IOU详解
AI学长
05-12 1708
什么是IOU IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。 IOU的计算过程可以参考博客：https://blog.csdn.net/u014061630/article/details/82818112 需要计算两部分 1.并集：首先需要计算交集，然后并集通过两个边框的面积的和减去交集部分即为并集，因此 IoU 的计算的难点在于交集的计算。 2.交集：
【目标检测】IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
热门推荐
xian0710830114的专栏
12-08 3万+
在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下面我们一起看一下这几种IoU。
目标识别（object detection）中的 IoU（Intersection over Union）
weixin_30739595的博客
05-04 305
首先直观上来看 IoU 的计算公式： 由上述图示可知，IoU 的计算综合考虑了交集和并集，如何使得 IoU 最大，需要满足，更大的重叠区域，更小的不重叠的区域。 两个矩形窗格分别表示： 左上点、右下点的坐标联合标识了一块矩形区域（bounding box），因此计算两块 Overlapping 的 bounding box...
旋转解耦IoU（RDIoU）：优化单阶段3D目标检测的新方法
"本文探讨了基于IoU优化在3D目标检测中的应用，特别是针对单阶段检测器的问题。文章提出了旋转解耦IoU（RDIoU）方法，以解决3D IoU计算的高复杂度和旋转敏感性，从而提高训练效率和检测性能。RDIoU通过解耦旋转变量...
评论
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