IOU计算，Numpy 和 Torch 版本

最新推荐文章于 2024-08-26 14:29:33 发布

原创

最新推荐文章于 2024-08-26 14:29:33 发布 · 1.7k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习 #IOU #numpy

本文介绍了IOU在目标检测中的关键作用，详细阐述了使用Numpy和PyTorch实现IOU计算的过程，包括基本版本和优化版，旨在通过实践加深对IOU的理解。

简介

IOU计算一直是目标检测中最重要的一个环节。虽然iou在数学上定义很简单，但是想大规模计算还是有点复杂，我自己利用numpy和torch库仔细写了一下iou算法，从而加深对iou计算的印象。

Numpy 版本

import numpy as np
def get_iou(a_boxs,gt_boxs):
    '''
    Args:
        a_boxs (N, 4): predicted boxes.
        gt_boxs (N, 4): ground truth boxes.
    Returns:
        iou (N): IoU values.
    '''
    k = gt_boxs.shape[0]
    iou = []
    # 由于一张图像的gt_boxs数量远小于anchors，故遍历gt_boxs
    for i in range(k):
        iou.append(iou_ab(a_boxs,gt_boxs[i][np.newaxis,:]))
    iou = np.array(iou)
    print(iou)

def iou_ab(a_boxs,gt_box,eps=1e-5):
    '''
    Args:
        a_boxs (N, 4): predicted boxes.
        gt_box (1, 4): ground truth boxe.
        eps: a small number to avoid 0 as denominator.
    Returns:
        iou (N): IoU value.
    '''
    top_left = np.maximum(a_boxs[...,:2],gt_box[...,:2])
    # 将小于0 的转为 0
    bottom_right = np.minimum(a_boxs[...,2:],gt_box[...,2:])
    hw = np.clip(bottom_right-top_left,a_min=0,a_max=None)
    over_lap =