IoU代码竟如此简单

最新推荐文章于 2024-10-31 10:36:14 发布
原创 最新推荐文章于 2024-10-31 10:36:14 发布 · 483 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#tensorflow

本文深入讲解了交并比（IoU）的计算方法，通过具体的Python代码实现，展示了如何计算两个矩形框之间的交并比，并提供了多个示例来验证算法的正确性。IoU是目标检测和图像识别中用于评估预测框与真实框重叠程度的重要指标。

IoU代码：

def IoU(lx_1,ly_1,rx_1,ry_1,lx_2,ly_2,rx_2,ry_2):
    '''
    :param lx_1: 第一个box的左上角x坐标
    :param ly_1: 第一个box的左上角y坐标
    :param rx_1: 第一个box的右下角x坐标
    :param ry_1: 第一个box的右下角y坐标
    :param lx_2: 第二个box的左上角x坐标
    :param ly_2: 第二个box的左上角y坐标
    :param rx_2: 第二个box的右下角x坐标
    :param ry_2: 第二个box的右下角y坐标
    :return:
    '''
    area_1=(rx_1-lx_1)*(ry_1-ly_1)
    area_2=(rx_2-lx_2)*(ry_2-ly_2)
    x1=max(lx_1,lx_2)
    y1=max(ly_1,ly_2)
    x2=min(rx_1,rx_2)
    y2=min(ry_1,ry_2)
    in_area=abs(x1-x2)*abs(y1-y2)
    return  in_area/(area_2+area_1-in_area)

测试：

IoU(0,0,2,2,2,2,3,3)
Out[3]: 0.0
IoU(0,0,2,2,0,0,3,3)
Out[4]: 0.4444444444444444
IoU(0,0,2,2,0,0,2,2)
Out[5]: 1.0
IoU(0,0,2,2,0,0,1,1)
Out[6]: 0.25
机器视觉工程师如何进行目标检测精度提升
zhangzhechun_02的博客
05-04 104
提升目标检测精度是一个系统工程，需要从数据、模型、训练和后处理等多个层面进行优化。数据层面：通过高质量数据集、有效的数据增强和类别平衡策略为模型提供良好的学习基础。模型层面：选择适合任务的基础模型，通过特征融合、注意力机制等提升模型表达能力，利用预训练模型加速收敛。训练层面：使用合适的学习率策略、优化器和损失函数，通过正则化技术防止过拟合。后处理层面：优化NMS算法，如Soft-NMS或DIoU-NMS，提高检测框的精确度；通过模型集成和测试时增强进一步提升性能。
IOU代码详解
qq_53029963的博客
11-22 4265
参考： IOU代码详细解释_ning469的博客-优快云博客_iou代码 目录 第一种python代码： 第二种python代码： 定义： IOU为两张图片的交并比。交集/并集 第一种python代码： 1 def bb_intersection_over_union(boxA, boxB): #定义一个函数来计算IOU的值 2 boxA = [int(x) for x in boxA] #从boxA中提取每一个元素x,并且每一个元素均为整数 3 boxB = [i
IOU计算代码
沐雨金鳞
07-04 1284
import numpy as np def compute_iou(box1, box2, standard_coordinates=True): ''' :param box1: [Xmin, Ymin, Xmax, Ymax] or [Xcenter, Ycenter, W, H] :param box2: :param standard_coordinates: True [Xmin, Ymin, Xmax, Ymax] Fasle [Xcenter, Ycent.
iou的计算代码
zhao_jiangshan的博客
07-21 742
return iou。
使用 Python 实现计算交并比（IoU）的代码示例：
m0_53291740的博客
07-29 892
两个矩形框的交集/并集。
IOU
heavenpeien的博客
05-22 1987
BiseNet学习：利用tensorflow2搭建BiseNet并训练完成语义分割任务
theworld666的博客
02-10 2296
BiseNet学习：利用tensorflow2从头搭建BiseNet并训练完成语义分割任务 文章目录BiseNet学习：利用tensorflow2从头搭建BiseNet并训练完成语义分割任务简介1 数据集的简介BiseNet网络搭建1）BiseNet网络各个模块简介1.1 Spatial path搭建1.2 Context path的搭建1.3特征融合模块2.模型的初始化，训练以及测试2.2训练结果的评价与结果可视化2.3效果可视化3.结语 简介 BiseNet是于旷视于2018提出的轻量级实时语义分割网络
数据竞赛专题 | 从赛题理解到竞赛入门基础
Datawhale
07-28 2661
为了帮助更多竞赛选手入门进阶比赛，通过数据竞赛提升理论实践能力和团队协作能力。DataFountain 和 Datawhale 联合邀请了数据挖掘，CV，NLP领域多位竞...
深度学习检测方法梳理
有些代码不应该被忘记
04-24 5764
1. R-CNN：Rich feature hierarchies for accurate object detection and semantic segmentation 技术路线：selective search + CNN + SVMs Step1:候选框提取(selective search) 训练：给定一张图片，利用seletive search方法从中提取出2000个候
51c自动驾驶~合集4
whaosoft~aiotの开发板商城
10-31 1722
我自己的原文哦~ https://blog.51cto.com/whaosoft/12413878迈驰&旷视最新MCTrack：KITTI/nuScenes/Waymo三榜单SOTA1. 写在前面&出发点自2016年SORT[1]算法提出以来，多目标跟踪任务已经经历了多年的发展，从最初的TBD(Tracking-By-Detection)范式发展到TBA(Tracking-By-Attention), JDT(Joint-Detection-Tracking)等范式，从单模态到多模态跟踪，从2D跟踪发展到
手撕IoU,python代码
一名学术垃圾的博客
11-15 239
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。
python计算IOU代码
ln160864的博客
07-15 601
注意：我的边界框坐标与YOLO输出的不同，YOLO输出的坐标是x轴向右为正方向和y轴向下为正方向的矩形的左上角和右下角顶点坐标，但在Y轴向上为正方向的矩形中为左下和右上坐标，我由于强迫症将它转换成了标准直角坐标系下左上右下的坐标，因此计算方式与原本的有差别。
mask iou iou 合并代码
jacke121的专栏
11-13 349
mask iou iou 合并代码
【IOU系列】分析+代码
qq_43586192的博客
12-28 364
IOU计算公式： 所需要的数据： 并集：两个矩形面积和—交集 交集： 两个矩形可能出现的情况 代码： x_a=max(x1,x1_) y_a=max(y1,y1_) x_b=min(x2,x2_) y_b=min(y2,y2_) if x_b-x_a<=0 or y_b-y_a<=0: iou_ratio=0 #即不交的情
《计算机视觉之目标检测》IOU详解及代码
奥古斯都
10-16 2432
今天在改模型的时候刚好用到了IOU，因此将IOU说说，记录一下代码，方便以后复用。 1、什么IOU IoU 的全称为交并比（Intersection over Union），它的计算也比较简单，就是两个目标proposal框重叠的区域比总体的区域。如下图所表示的，着就是所谓的IOU。 2、为什么需要Iou？ 在做目标检测的过程中有一个指标来评价这个模型的好坏，也就mAP。这个指标我下次再说，用检测出来的框和ground-truth之间计算IOU，如果IOU大于0.5或者其它的一个阈值，那么就认为
python 计算 IOU代码
qq_36784503的博客
02-03 342
【代码】python 计算 IOU代码。
目标检测(三)——IoU总结与代码实现（可完整实现）
笔岸柳影
01-23 2846
交并集(IoU)的计算总结、以及完整代码可实现！
IOU、GIOU、DIOU、CIOU详解及代码实现
热门推荐
qq_52302919的博客
01-13 1万+
一、IOU Loss 旷视在2016文章《UnitBox: An Advanced Object Detection Network》中提出了IOU Loss将4个点构成的box看成一个整体做回归。 文章链接：https://arxiv.org/pdf/1608.01471.pdf 1. 函数特性 IOU Loss的定义是先求出预测框和真实框之间的交集和并集之比，再求负对数，但是在实际使用中我们常常将IOU Loss写成1-IOU。如果两个框重合则交并比等于1，Loss为0说明重合度非常高。IOU满足非负性
总结各类IOU以及其代码实现
weixin_50727642的博客
06-01 1826
各类iou总结
mean iou 代码
最新发布
01-17
### Mean IoU (mIoU) 计算代码实现 为了计算平均交并比（Mean Intersection over Union, mIoU），通常需要先获取每个类别的IoU值，再求这些IoU值得均值。下面是一个Python函数用于计算给定预测标签和真实标签之间的mIoU。 ```python import numpy as np def intersection_over_union(preds, labels, num_classes): """ Calculate the Intersection Over Union (IoU) for each class. 参数: preds: 预测的类别标签数组 labels: 真实的类别标签数组 num_classes: 类别总数 返回: iou_list: 各个类别的IoU列表 """ ious = [] pred_area = np.histogram(preds, bins=np.arange(num_classes + 1))[0] label_area = np.histogram(labels, bins=np.arange(num_classes + 1))[0] intersection = np.histogram2d( labels.flatten(), preds.flatten(), bins=num_classes, range=[[-0.5, num_classes-0.5],[-0.5, num_classes-0.5]] )[0] union = pred_area + label_area - intersection for cls_id in range(num_classes): if union[cls_id] == 0: iou = 0 else: iou = intersection[cls_id] / union[cls_id] ious.append(iou) return ious def mean_intersection_over_union(class_ious): """Calculate the mean of all classes' IoUs.""" miou = np.nanmean(class_ious) return miou ``` 此段代码定义了两个主要功能：`intersection_over_union()` 和 `mean_intersection_over_union()`. 前者负责计算各个类别的IoU；后者则用来计算所有类别上IoU得分的平均值[^1]. 对于边界F1分数和其他变体如GIOU、DIOU等，则涉及更复杂的几何关系处理，在这里不作展开讨论[^2]. 不过值得注意的是，选择合适的损失函数可以减少因数据质量问题带来的负面影响，并有助于提高模型的整体表现[^3].
评论 1
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