iou（交并比）的概念

最新推荐文章于 2025-03-28 12:43:27 发布

转载最新推荐文章于 2025-03-28 12:43:27 发布 · 1.6w 阅读

文章标签：

#IOU #并交比

tensorflow 同时被 2 个专栏收录

53 篇文章

订阅专栏

图像

21 篇文章

订阅专栏

本文详细解释了目标检测领域中交并比（IoU）的概念，它是衡量候选框与真实标记框重叠程度的重要指标。通过计算IoU，可以评估检测模型的准确性，最理想的情况是IoU值达到1，表示两个框完全重合。

部署运行你感兴趣的模型镜像

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：

def calculateIoU(candidateBound, groundTruthBound):
    cx1 = candidateBound[0]
    cy1 = candidateBound[1]
    cx2 = candidateBound[2]
    cy2 = candidateBound[3]
 
    gx1 = groundTruthBound[0]
    gy1 = groundTruthBound[1]
    gx2 = groundTruthBound[2]
    gy2 = groundTruthBound[3]
 
    carea = (cx2 - cx1) * (cy2 - cy1) #C的面积
    garea = (gx2 - gx1) * (gy2 - gy1) #G的面积
 
    x1 = max(cx1, gx1)
    y1 = max(cy1, gy1)
    x2 = min(cx2, gx2)
    y2 = min(cy2, gy2)
    w = max(0, abs(x2 - x1))
    h = max(0, abs(y2 - y1))
    area = w * h #C∩G的面积
 
    iou = area / (carea + garea - area)
 
    return iou

转载地址：https://blog.youkuaiyun.com/mdjxy63/article/details/79343733

您可能感兴趣的与本文相关的镜像