IOU(Intersection Over Union) 概念清晰图解 + python代码示例

最新推荐文章于 2025-06-19 18:34:38 发布

原创最新推荐文章于 2025-06-19 18:34:38 发布 · 置顶 · 1.4w 阅读

41 ·

CC 4.0 BY-SA版权

文章标签：

#IOU(Intersection Over Union) #pytorch #IOU #object detection

视觉基础专栏收录该内容

7 篇文章

订阅专栏

IOU是目标检测中的重要指标，衡量候选框与真实框的重合程度。文章通过图解和Python代码示例详细解释了IOU的计算过程，包括不同重叠情况的处理，以及如何从水平和竖直方向上求解交集与并集的比值。

部署运行你感兴趣的模型镜像

IOU(Intersection Over Union)

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。

title

最理想情况是完全重叠，即比值为1。

title

计算

**已知：** 矩形T的左下角坐标(X0,Y0)，右上角坐标(X1,Y1); 矩形G的左下角坐标(A0,B0)，右上角坐标(A1,B1).

先来看一下水平方向上的情况：

title

根据上图思路，画出给出矩阵x方向可能的三种情况。

title

交集计算的逻辑

交集上界：

title
交集下界：
title

当水平不重叠：

title

当有重叠或者是内含的情况时：

title

代码示例

'''
矩形T的左下角坐标(X0,Y0)，右上角坐标(X1,Y1); 
矩形G的左下角坐标(A0,B0)，右上角坐标(A1,B1).
'''

def iou(T, G):
    '''
    一维 iou 的计算
    '''
    x0, x1 = T # (left, right)
    A0, A1 = G # (left, right)
    
    high = min(x1, A1)
    low = max(x0, A0)

    # intersection
    if high-low<=0:
        intersection  = 0
    else:
        intersection = high-low
    # union
    union = (x1 - x0) + (A1 - A0) - intersection
    # iou
    iou = intersection / union
    return iou

a=iou((0,3),(3,4))
b=iou((0,3),(2,4))
c=iou((0,5),(2,4))
print(a,b,c)

# 0.0 0.25 0.4

计算水平和竖直方向上的情况：

title

'''
矩形T的左下角坐标(X0,Y0)，右上角坐标(X1,Y1); 
矩形G的左下角坐标(A0,B0)，右上角坐标(A1,B1).
'''

def iou(T, G):
    '''
    二维 iou 的计算
    '''
    x0, y0,x1,y1 = T # (left, right)
    A0,B0, A1,B1= G # (left, right)
    
    # intersection
    H = min(x1, A1)-max(x0, A0)
    if H<=0:
        H  = 0
    
    W = min(y1, B1)-max(y0, B0)
    if W<=0:
        W  = 0

    # s
    sT=(y1-y0)*(x1-x0)
    sG=(B1-B0)*(A1-A0)

    intersection=H*W

    # union
    union = sT+sG - intersection
    # iou
    iou = intersection / union
    return iou

a=iou((0,0,2,2),(0,0,4,1))
b=iou((1,1,3,3),(2,1,4,2))
c=iou((0,0,2,2),(2,2,4,3))
print(a,b,c)


>> 0.3333333333333333 0.2 0.0

title