检测评价函数 intersection-over-union （ IOU ）

最新推荐文章于 2025-06-23 02:27:35 发布

原创最新推荐文章于 2025-06-23 02:27:35 发布 · 7.5w 阅读

108 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测评价函数 #IoU #IOU #深度学习 #IOU-python

深度学习专栏收录该内容

13 篇文章

订阅专栏

本文详细介绍了IoU（交并比）的概念及其在目标检测任务中的作用，并提供了直观的示例图来帮助理解。此外，还给出了一个用于计算IoU的Python函数实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、概念

在目标检测的评价体系中，有一个参数叫做 IoU ，简单来讲就是模型产生的目标窗口和原来标记窗口的交叠率。具体我们可以简单的理解为：即检测结果(DetectionResult)与 Ground Truth 的交集比上它们的并集，即为检测的准确率 IoU :

I O U = D e t e c t i o n R e s u l t ⋂ G r o u n d T r u t h D e t e c t i o n R e s u l t ⋃ G r o u n d T r u t h

$IOU = \frac{DetectionResult \bigcap Ground Truth }{DetectionResult \bigcup Ground Truth}$

如下图所示：GT = GroundTruth; DR = DetectionResult;
黄色边框框起来的是：

G T ⋂ D R

$GT\bigcap DR$
绿色框框起来的是：

G T ⋃ D R

$GT\bigcup DR$

应该够详细了，上幅图直观些。当然最理想的情况就是 DR 与 GT 完全重合，即

I o U = 1

$IoU = 1$
下面附上图例说明，及 IOU 的python实现，已经测试无误，自行取用。

这里写图片描述

原图:
这里写图片描述

# -*- coding: utf-8 -*-
"""
Created on Sun Aug 07 14:26:51 2016

@author: Eddy_zheng
"""

def IOU(Reframe,GTframe):
    """
    自定义函数，计算两矩形 IOU，传入为均为矩形对角线，（x,y）  坐标。
    """
    x1 = Reframe[0]
    y1 = Reframe[1]
    width1 = Reframe[2]-Reframe[0]
    height1 = Reframe[3]-Reframe[1]

    x2 = GTframe[0]
    y2 = GTframe[1]
    width2 = GTframe[2]-GTframe[0]
    height2 = GTframe[3]-GTframe[1]

    endx = max(x1+width1,x2+width2)
    startx = min(x1,x2)
    width = width1+width2-(endx-startx)

    endy = max(y1+height1,y2+height2)
    starty = min(y1,y2)
    height = height1+height2-(endy-starty)

    if width <=0 or height <= 0:
        ratio = 0 # 重叠率为 0 
    else:
        Area = width*height # 两矩形相交面积
        Area1 = width1*height1
        Area2 = width2*height2
        ratio = Area*1./(Area1+Area2-Area)
    # return IOU
    return ratio,Reframe,GTframe