交并比

黑猫爱小鹿 黑猫爱小鹿 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 839平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄8年
关注
原创 最新推荐文章于 2026-03-02 12:31:24 发布 839 阅读 AI 写同款· GEO 优化 ›
交并比（IOU）的计算方法 交并比（IOU, Intersetion Over Union）,意思就是交集和并集的比值，用来评价两个几何图形的面积重合度，在目标检测算法模型中，通常被用来计算预测框与真实框的误差（损失函数）或者在非极大值抑制（NMS）算法中用于过滤多余重叠的目标，亦或者在计算mAP时用于判断目标是否被预测到。这是一个应用非常广泛的算法，这里详细介绍一下它的算法原理，以及代码的实现方式。以上公式，是根据两个矩形有交集的情况推导出来的，如果两个矩形没有交集，以上公式如何做出判断呢？，同时又定义交集矩形的对角坐标为。 阅读详情

文章目录

混淆矩阵


举个例子 现在有两类 橘子 5个 苹果 5个
准确率就是 正确检测是橘子/(正确检测是橘子+错误检测是橘子)   判断的是，橘子你检测的准不准
召回率就是 我这五个橘子结果你只检测出了四个橘子 判断的是你检测的全不全

IOU

吻合程度：预测框和真实框的交集/并集

对应到准确率和召回率

AP(平均精度)

在不同召回率下某一个类别的平均精度

MAP 多类别的平均AP

收录于
yolov5

当前文章被收录于：

yolov5
9 篇文章 7 人学习
订阅专栏 查看详情
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。
【目标检测】IOU介绍 目前较为流行的IOU，其中包含最新的wise-IOU 阅读详情

相关推荐

目标检测-Iou(交并比)理解

文章目录一、 IOU概述二、IOU计算三、IOU代码实现 一、 IOU概述 IOU的全称为交并比（Intersection over Union），是目标检测中使用的一个概念，IoU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。最理想情况是完全重叠，即比值为1。 二、IOU计算 IoU等于“预测的边框”和“真实的边框”之间交集和并集的比值。IoU计算如下图，B1为真实边框，B2为预测边框。 在对象检测任务中，你希望能够同时定位对象，所以如果实际边界框是这样的，你的算法给出这个

Tc、zyh的博客 4万+

【评价指标】混淆矩阵Confusion Matrix、iou、miou、召回率、准确率及代码实现

混淆矩阵Confusion Matrix是大小为 (n_classes, n_classes) 的方阵, n_classes 表示类的数量。混淆矩阵可以用于直观展示每个类别的预测情况。并能从中计算精确值(Accuracy)、精确率(Precision)、召回率(Recall)、交并比(IoU)。

ting的博客 3970

基于Python3实现两个矩形的交并比（IoU）

基于Python3实现两个矩形的交并比（IoU）一、前言二、交并比的概念及应用矩形的面积 = （xmax -xmin) X (ymax - ymin)IoU = $\frac{area(G)∩area(P)}{area(G)∪area(P)}$area(G∩P) = 长 X 宽w = xmax - xmin # 计算相交矩形的长h = ymax - ymin # 计算相交矩形的宽area(G∩...

Jock2018的博客 8915

交并比（Intersection over union）

来源：Coursera吴恩达深度学习课程 如何判断目标检测算法运作良好呢？接下来，你将了解到并交比（intersection over union）函数，可以用来评价目标检测算法。 交并比（loU）函数做的是计算两个边界框交集和并集之比。两个边界框的并集是这个区域，就是属于包含两个边界框区域（绿色阴影表示区域），而交集就是这个比较小的区域（橙色阴影表示区域），那么交并比就是交集的大小，这个橙色阴影面积，然后除以绿色阴影的并集面积。 参考： 交并比：IOU=(A∩B)/(A∪B)=A和B的交集/A

csdn_xmj的博客 1万+

目标检测——交并比（Intersection of Union，IoU）计算

在检测任务中，使用交并比（Intersection of Union，IoU）作为衡量指标,来描述两个框之间的重合度。这一概念来源于数学中的集合，用来描述两个集合AAA和BBB之间的关系，它等于两个集合的交集里面所包含的元素个数，除以它们的并集里面所包含的元素个数，具体计算公式如下： IoU=A∩BA∪BIoU = \frac{A\cap B}{A \cup B}IoU=A∪BA∩B​ 两个框可以看成是两个像素的集合，它们的交并比等于两个框重合部分的面积除以它们合并起来的面积。 图“交集”中青色区域是两个框

无限迭代中...... 2万+

交并比IoU、准确率PA、召回率Recall、精准率Precision、F1-Score详细解释

*召回率（Recall）**关注模型是否能找到某一特定类别的所有实例。**精确度（Precision）**关注模型预测某一特定类别的准确性。**平均精确度（mPrecision）**提供了一个关于模型整体精确性的概览。这些指标共同提供了评估模型性能的多角度视野，有助于全面理解模型的行为，并可以用于模型优化和调整。

奋土的博客 6234

IoU(交并比)的理解及python实现

交并比(Intersection over Union, IoU)是目标检测、语义分割、追踪等任务最常用的评估指标。

WonderThink的博客 1万+

语义分割的评价指标——PA(像素准确率)、CPA(类别像素准确率)、MPA(类别平均像素准确率)、IoU(交并比)、MIoU(平均交并比)详细总结

语义分割是像素级别的分类，其常用评价指标： 像素准确率（Pixel Accuracy，PA）、 类别像素准确率（Class Pixel Accuray，CPA）、 类别平均像素准确率（Mean Pixel Accuracy，MPA）、 交并比（Intersection over Union，IoU）、 平均交并比（Mean Intersection over Union，MIoU）， 其计算都是建立在混淆矩阵（Confusion Matrix）的基础上。 1 混淆矩阵 混淆矩阵就是统计分类模型的分类结果，即

weixin_38353277的博客 5万+

MIoU（均交并比）的计算

文章目录1 交并比（Intersection over Union，IoU）1.1 传统 IoU1.2 语义分割中的IoU1.3 语义分割中的MIoU2 IoU 的计算2.1 单个类别 IoU 的计算2.2 MIoU 的计算步骤 1：求混淆矩阵步骤 2：计算 MIoU 1 交并比（Intersection over Union，IoU） 1.1 传统 IoU 公式：SA∪B=SA+SB−SA∩B\rm S_{A\cup B}=S_{A}+S_{B}-S_{A\cap B}SA∪B​=SA​+SB​−SA∩

晓野豬 4万+

图像分割评价指标---mIoU（平均交并比）计算代码（OpenCV/C++）

图像分割评价指标---mIoU（平均交并比）计算代码（OpenCV/C++） 运行环境：Visual Studio+OpenCV+C++ 输入：准备好的Groundtruth数据+分割得到的二值图像 输出：每张分割结果的IOU值+最后输出MIOU值（平均交并比） mIoU计算的基本原理可见其他博主的叙述，这里不作介绍。 IOU（交并比）计算子程序如下： double MIOU(cv::Mat im...

Lujiahao98689的博客 6763

目标检测基本概念理解之IoU（交并比）以及Python代码实现

目标检测基本概念理解之IoU（交并比）交并比理解Python代码实现计算IoU，矩形框的坐标形式为xyxy计算IoU，矩形框的坐标形式为xywh 交并比理解 在检测任务中，使用交并比（Intersection of Union，IoU）作为衡量指标。这一概念来源于数学中的集合，用来描述两个集合A和B之间的关系，它等于两个集合的交集里面所包含的元素个数，除以它们的并集里面所包含的元素个数，具体计算公式如下：IoU=A∩BA∪BIoU={{A\cap B}\over{A\cup B}}IoU=A∪BA∩B​ 我

紫芝的博客 5669

广义交并比

一、概述 交并比（Intersection over Union，简称IoU），是目标检测中的一个非常重要的概念，也是进行目标检测的一个重要方法。首先我们来简单了解一下交并比的概念。 黄色的是训练样本的真实边框，而另一个是神经网络的预测框，两个框的交集的面积与两个框的并集面积的比值称之为交并比。如果两个框的交并比越大大则说明目标定位约准确。在以往的目标检测算法中一般都是将两个框的坐标的范数，也就...

qq_31929377的博客 2730

【目标检测】IoU（交并比）

IOU

MCU_master的博客 4590

python实现交并比IOU

交并比（Intersection-over-Union，IoU），目标检测中使用的一个概念，是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。 计算公式： Python实现代码： 参考:https://blog.youkuaiyun.com/qq_30622831/...

AI吃大瓜的博客 1万+

lerobot VLA--SmolVLA代码的讲解

2.图像resize至正方形224x224，图像长宽比不变，其他区域用黑色补充，标记为mask=1，若占位图像（摄像头缺失），则 创建全-1像素的占位图像 标记为mask=0,image为[1, 3, 512, 512]，img_mask为True,masks列表长度为2，img_masks为2，因为我这里两个相机。文本嵌入：通过embed_language_tokens() 被转换为嵌入表示，lang_emb 是语言的嵌入，包含了语言的语法和语义信息。1.像素值[0,1]->[-1,1]

caokaifa的博客 4067

Nsight Compute内存图表实战：如何快速定位CUDA内核的内存瓶颈（附配置截图）

本文详细介绍了如何使用Nsight Compute的Memory Chart功能快速定位和诊断CUDA内核中的内存性能瓶颈。通过解析内存图表中的逻辑与物理单元节点、连线颜色含义，并结合实战案例（如低L1缓存命中率、共享内存Bank冲突、全局内存访问未合并），指导开发者从可视化数据回溯至源代码，进行精准有效的内存访问优化，从而提升GPU程序性能。

zeta9的博客 479

IOU交并比的计算

背景：在进行目标检测时，常常会用到交并比的概念(IoU(Intersection over Union)) 一般来说，这个IoU＞ 0.5 就可以被认为是一个不错的结果。 1.规则矩形框的IoU计算 有些目标检测中，预测的边界框为规则的矩形，则只需要知道矩形的左上角...

CVsaber的成长记录 4377

SAP 配额修改 + 修改记录写入实现

采购配额修改并写入修改记录 cdhdr 和 cdpos

GAVIN 1099

深度学习笔记（37） 交并比

交并比、评价对象检测的准则

氢键H-H 1万+

uni-app - 在纯 JS 文件中调用自定义弹框组件 / 封装全局 API 调用弹框组件（解决小程序、APP 无法使用 document.body.appendChild 插入组件节点）适配全端

uni-app-在纯JS文件中调用自定义弹框组件/封装全局API调用弹框组件（解决小程序、APP无法使用document.body.appendChild插入组件节点）适配全端，uni-appappendChild怎么向小程序中插入节点，如何开发类似uni.showModal全局组件。h5端可以通过document.body.appendChild挂载，请问app跟微信小程序怎么弄，请问uniapp如何封装全局api调用弹窗组件？uniapp怎么设置所有页面共用的组件Uni

🏆 前端领域优质创作者 1万+

华为OD机试双机位C卷-AI面板识别(Py/Java/C/C++/Js/Go)

华为OD机试双机位C卷 AI面板识别，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解以及在线OJ模拟做题。华为OD机试 - AI面板识别。

qq_45776114的博客 1343

深度学习基础—交并比与非极大值抑制

实际上，可能1、2、3、4、5、6编号的格子都认为自己的区域有车，出现了多个定位，而图片中只有两辆车，应该只有两个定位，因此可以使用非极大值抑制算法，将汽车分类概率最高的格子保留，同一辆汽车的其他低分类概率的格子的定位删除。loU越高，边界框越精确。以上图为例，首先去除小于0.6的边框后剩余的边框均用蓝色表示，选择最大的概率的边框0.9，高亮该边框，计算与该边框重叠的边框0.6和0.7，发现交并比均大于0.5，因此需要删去，这里选择较暗的蓝色表示抑制。于是最终检测出两个汽车对象，即高亮框的范围。

sniper_fandc的博客 1200

使用安卓的IMU数据进行 行人航位推算（PDR）推算步长 附python 代码

加速度计数据、陀螺仪数据、重力传感器数据、姿态仰角数据。数据分析与定位轨迹生成主要使用Python离线完成。示意图。

三维点云技术探索 1914

计算交并比（IoU）-Matlab代码实现

计算交并比（IoU）- Matlab代码 % 读取图片转为矩阵，两幅图片都应该是单通道的(如果是3通道的，可以取一个有效通道)，所以矩阵是2维512*512的， % 像素值范围或为（0-255）或为（0-1） % 如果是前者可以除以255来把值控制到0-1来防止计算溢出 img1 = imread('E:\..\*.png'); img1 = double(img1); img2 = imread('E:\..\*.png'); img2 = double(img2); % 两矩阵点乘得到的结果就是 I

Grimpeur的耻辱柱 3945

YOLOv5 实现 10 种热力图可视化方式教程 | GradCAM XGradCAM ScoreCAM LayerCAM HiResCAM EigenCAM......

10 种热力图可视化方法 ，总有一款适合你

Coding... 5568

天爱验证码wasm验证码逆向

本文分析了某网站采用WASM加密技术的情况，发现其加密方式主要针对data和轨迹信息，整体加密逻辑变化不大。通过反混淆技术可以还原代码，并确认加密过程分为两步：先对原始参数逐个加密，再调用WASM模块进行最终加密。研究发现关键参数drives和ki都存储在WASM模块内，通过提取wasm_exec.js文件即可直接使用该加密功能。本文仅提供技术研究思路，强调严禁用于任何违法行为。

码王吴彦祖的博客 934
上一篇： c++库文件头文件链接原理(全)
下一篇： modern camke
点赞 1
评论 0
书签 书签 0
黑猫爱小鹿
黑猫爱小鹿
博客等级 码龄8年 1万+粉丝 205原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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