两个bbox的IoU计算步骤分析

最新推荐文章于 2024-04-23 22:53:31 发布
最新推荐文章于 2024-04-23 22:53:31 发布
阅读量760 收藏 9
点赞数 7
分类专栏： # 目标检测 文章标签： 目标检测
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。
本文链接：https://blog.youkuaiyun.com/qq_43543940/article/details/135727280
版权

IoU：交并比，数值上等于交集面积除以并集面积。
三种情况
两个bbox的位置关系无外乎以上三种情况：（1）部分相交。（2）不相交。（3）包含。
在这里插入图片描述
计算步骤：

  1. 计算交集（主要）
    相交部分左上角坐标为：
    在这里插入图片描述
    相交部分右下角坐标为：
    在这里插入图片描述
    那么相交部分的面积计算公式就是为：
    在这里插入图片描述
    +1操作有人加有人不加，最后的max是防止负数。

  2. 计算并集
    在这里插入图片描述在这里插入图片描述

  3. 计算交并比
    相除即可，省略。

YOLOv8 | 代码逐行解析(五) | YOLOv8中损失函数计算的详解包含Cls和Bbox计算的解析，小白必看（下）
Snu77的博客
07-07 4296
本文给大家带来的是YOLOv8中的损失函数计算的完整解析，内容包括v8DetectionLoss的解析，以及BboxLoss的解析，如果你相对损失函数的计算原理，本文内容绝对会对你有所帮助，全文内容包含1万两千字，手打分析文字超过5000字，全部为干货内容，包含示例解释辅助大家理解，对于小白来说十分适合阅读。YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备。
目标检测：如何计算计算两个边界框集合（boxes1和boxes2）之间的交并比（IoU）
小白的博客
07-28 376
如何计算计算两个边界框集合（boxes1和boxes2）之间的交并比（IoU）
python： 计算两个方框的IOU的实现
qq_35896136的博客
04-14 2245
在目标检测中，常常需要计算不同方框的并交比来选取合适的方框，做跟踪用到匹配也遇到了并交比。 结果图： 代码如下： import numpy as np import cv2 def compute_iou(rec1, rec2): """ computing IoU rec1: (x0, y0, x1, y1) rec2: (x0, y0, x1, y1)...
计算机视觉：两个旋转检测框bbox的IoU计算
博学而笃志，切问而近思。
06-12 2900
计算机视觉：两个旋转检测框bbox的IoU计算
计算两组2D bbox的IOU
realjc的博客
05-24 1435
在目标检测任务中，在验证检测精度时需要计算估计的2D bbox和gt bbox的相似性，一般用IOU(交并比)来表示： IOU=CA+B−CIOU = \frac{C}{A+B-C}IOU=A+B−CC​ 下面是计算两组2D bbox的 IOU的示例代码：
两个Bounding Box的IOU计算代码
MA201506的博客
02-28 1524
Bounding Box的数据结构为（xmin,ymin,xmax,ymax） 输入：box1,box2 输出：IOU值 import numpy as np def iou(box1,box2): 　　 assert box1.size()==4 and box2.size()==4,"bounding box coordinate size must be 4" ...
IOU计算
Mzcc_bbms的博客
09-06 394
计算IOU
python不使用for计算两组、多个矩形两两间的iou方式
09-18
IoU的计算公式为两个矩形的交集面积除以它们的并集面积。在不使用for循环的情况下，利用NumPy的广播机制可以有效地提高矩形IoU计算的效率。 首先，我们需要了解矩形IoU的计算步骤。对于两个矩形，分别用其左上角和...
《计算机视觉之目标检测》IOU详解及代码 计算机视觉.pdf
04-21
IOU计算的是两个矩形框之间的交叉区域尺寸与总体区域尺寸的比值。IOU的计算方法简单，两个矩形框之间的交叉区域尺寸除以总体区域尺寸。 为什么需要IOU？ 在目标检测过程中，IOU是一个重要的评价指标，用于评价模型...
我想在bbox_iou函数中添加Alpha-IoU计算 if alpha_iou: alpha = alpha if alpha > 0 else 3.0 # 默认α=3 alpha_iou = 1 - ((1 - iou) ** alpha) # Alpha-IoU公式 return alpha_iou我应该添加到什么位置
03-30
通常，IoU计算函数会先计算两个边界框的交集和并集，然后计算IoU值。例如，函数可能会先得到iou的值，接着根据不同的指标（如GIoU、DIoU、CIoU）进行调整，最后返回处理后的结果。 用户提供的代码是在计算完iou之后...
目标检测-IOU
qq_41332469的博客
04-26 2260
IOU为交并比，指的是两个bbox的交集面积比上他们的并集面积，用来评估两个bbox的重合度。。 应用 （1）在目标检测中，同一个目标可能被预测多个矩形框，这时候只想保留得分最高的那一个，需要剔除与高score bbox有较高重合度的低score bbox，而这里的重合度评估标准就是计算他们的IOU （2）对预测框性能评估时，评估指标为mAP（可以简单理解为精确度），我们要对预测正确的框计算mA...
两个不规则的box求取IOU-python
weixin_39326879的博客
01-26 3744
第一步：构造该框 以四条线段表示该框，构造一个二进制的mask 因为框里的像素只需满足四个公式，在L4的下面，在L2的上面，在L1的左边，在L3的右边 第二步：相与和相或 两框的mask相与求交集，相或求交集，载相除得到iou import os import numpy as np def get_k(x1,y1,x2,y2,x3,y3,x4,y4): k1=(y2-y1)/(x2-x1) k2=(y3-y2)/(x3-x2) k3=(y4-y3)/(x4-x3) k4=.
各种IOU的计算
u011387969的博客
04-23 1769
常见的IOU的计算方式
iou计算
我的博客
12-14 2506
1 两个box之间计算iou比较简单 def iou(box1, box2): xi1 = max(box1[0], box2[0]) yi1 = max(box1[1], box2[1]) xi2 = min(box1[2], box2[2]) yi2 = min(box1[3], box2[3]) inter_area = (yi2-yi1) *...
python给定两个框的坐标，计算IoU以及IoM
LJC的博客
08-15 1486
给定两个框的坐标，计算IoU以及IoM。 1、计算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。 def IoU(box1, box2): """ :param box1: list in format [xmin1, ymin1, xmax1, ymax1] :param box2: list
IOU计算公式
热门推荐
gbz3300255的博客
06-01 1万+
在目标检测当中，有一个重要的概念就是 IOU。一般指代模型预测的 bbox 和 Groud Truth 之间的交并比。 何为交并比呢？ IOU = \frac{A\cap B}{A\cup B}IOU=A∪BA∩B​ 集合 A 和集合 B 的并集包括了上面 3 种颜色区域。 集合 C 是集合 A 与集合 B 的交集。 在目标检测当中，IOU 就是上面两种集合的比值。 A \cup BA∪B其实就是A + B - CA+B−C。 那么公式可以转变为： IOU = \frac{A \cap..
目标检测中的b-box回归损失函数(IOU，GIOU，DIOU，CIOU)
木盏
03-11 7087
目标检测作为一种经典CV任务，大致可以认为是三个子任务的集合：1. 确定目标大概位置；2. 分类出目标类别；3. 回归出检测框的宽高； 这三种子任务分别需要对应损失函数的反传来学习。今天介绍的b-box回归损失函数主要是面向第三个子任务而设计的损失函数。 1. IOU 全称Intersection-Over-Union，即交并比。计算预测框和标注框(即GT框)的交并比，就可以知道它们的“贴合程度”好不好，作为调整模型的指导。 原文链接：[1608.01471] UnitBox: An Advance
faster-rcnn中bbox_iou函数“np.maximum(bbox_a[:, None, :2], bbox_b[:, :2])”的含义
郭建洋的博客
04-04 3788
函数“np.maximum(bbox_a[:, None, :2], bbox_b[:, :2])”的含义 假设我们认为bbox_a.shape = [5, 4], bbox_b = [2, 4],具体数据如下: bbox_a = np.array([ [9, 88, 9, 30], [63, 56, 9, 24], [4, 79, 93, 12], [34, 6, 21, 5],
python计算两个多边形交集的面积
u013239656的博客
03-17 3592
1.Geopandas的安装： 在安装Geopandas之前，需要依次安装numpy，pandas，shapely，fiona，six，pyproj，在命令行中输入pip install 上述库的名字，按照提示进行安装。 如果pip直接安装失败，则采用手动安装的形式，需要浏览网站Python Extension Packages for Windows – Christoph Gohlke 寻找合适的版本进行下载，有32位和64位以及python2和3的不同版本 找到相对应的whl文件，以管理员权
YOLOv8的IOU计算公式
最新发布
04-28
<think>好的，用户现在想查找YOLOv8的IOU计算公式。首先，我需要回顾之前的对话，看看有没有相关信息。之前用户问过mAP的计算，我的回答提到了COCO评估标准，包括IoU阈值对mAP的影响。现在用户的问题更具体，关注的是IOU本身的公式。 接下来，我需要确定YOLOv8默认使用的IoU类型。根据常见的知识，YOLO系列目标检测模型通常使用GIoU（Generalized Intersection over Union）作为默认的IoU计算方式，尤其是在损失函数中。不过，用户提供的引用里提到了Wise-IoU的改进，这说明YOLOv8可能支持多种IoU变体，但默认可能还是GIoU或者CIoU。 查看用户提供的引用内容，引用[2]中提到YOLOv8改进损失函数为Wise-IoU，并提到不同版本的Wise-IoU（v1, v2, v3）。这说明用户可能对YOLOv8中IoU的应用在损失函数中的改进感兴趣，但问题本身是关于IoU的计算公式，而不仅仅是损失函数部分。需要区分IoU的计算和其在损失函数中的应用。 用户可能混淆了IoU的计算和损失函数的改进。因此，在回答中需要明确YOLOv8默认的IoU计算方式，以及其在损失函数中的变体应用。例如，GIoU Loss是常用的，而Wise-IoU是改进版本，可能需要用户自行修改代码启用。 接下来，我需要整理IoU的基础公式，以及GIoU、DIoU、CIoU和Wise-IoU的公式。确保公式的准确性，并正确使用LaTeX格式。同时，引用用户提供的引用[2]中的信息，说明如何修改代码来使用不同的IoU变体。 另外，用户可能在寻找如何在自己的项目中调整IoU类型，因此需要提供代码示例，说明在YOLOv8中如何修改IoU类型，比如在损失函数中替换。这可能涉及到修改模型配置文件或训练参数，但根据引用[2]，用户需要修改metrics.py文件，所以需要指出具体的代码位置和修改方法。 还要注意用户之前的问题涉及mAP的计算，其中IoU阈值影响检测结果的判断，但这里的IoU计算是指边界框回归中的损失计算，两者不同但相关。需要明确区分这两个应用场景。 最后，生成的相关问题需要覆盖用户可能感兴趣的后续步骤，比如不同IoU变体的区别、如何修改代码、以及IoU对训练的影响，确保问题具有连贯性和实用性。</think>关于YOLOv8的IoU（Intersection over Union）计算，其核心公式及变体实现如下： --- ### 1. **基础IoU公式** 用于衡量预测框与真实框的重合度： $$ IoU = \frac{ |B_{\text{pred}} \cap B_{\text{gt}}| }{ |B_{\text{pred}} \cup B_{\text{gt}}| } $$ 其中$B_{\text{pred}}$为预测框，$B_{\text{gt}}$为真实框，分子为交集面积，分母为并集面积[^1]。 --- ### 2. **YOLOv8默认IoU变体** YOLOv8在损失函数中**默认使用CIoU（Complete-IoU）**，公式为： $$ CIoU = IoU - \frac{\rho^2(b_{\text{pred}}, b_{\text{gt}})}{c^2} - \alpha v $$ 其中： - $\rho$：预测框与真实框中心点的欧氏距离 - $c$：最小包围框的对角线长度 - $v$：宽高比一致性参数 - $\alpha$：平衡参数，$\alpha = \frac{v}{(1 - IoU) + v}$ CIoU同时优化重叠区域、中心点距离和宽高比[^1]。 --- ### 3. **其他支持的IoU变体** 根据引用[2]中的改进，YOLOv8还可通过代码修改实现以下变体： #### (1) **GIoU（Generalized-IoU）** $$ GIoU = IoU - \frac{|C \setminus (B_{\text{pred}} \cup B_{\text{gt}})|}{|C|} $$ 其中$C$为预测框与真实框的最小包围框。 #### (2) **Wise-IoU（动态聚焦机制）** 引用[2]中提到的Wise-IoU通过动态调整权重解决低质量样本过拟合问题，公式为： $$ WIoU = \frac{r_{WIoU} \cdot |B_{\text{pred}} \cap B_{\text{gt}}|}{ |B_{\text{pred}} \cup B_{\text{gt}}| + \epsilon } $$ 其中$r_{WIoU}$为动态权重因子，$\epsilon$为平滑项。 --- ### 4. **代码实现参考** YOLOv8的IoU计算在`metrics.py`和`loss.py`中定义（路径：`ultralytics/utils/metrics.py`）： ```python # CIoU计算核心逻辑（简化版） def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False, eps=1e-7): # 计算交集和并集 inter = (torch.min(box1[:, 2:], box2[:, 2:]) - torch.max(box1[:, :2], box2[:, :2])).clamp(0).prod(2) union = (box1[:, 2:].prod(2) + box2[:, 2:].prod(2) - inter) iou = inter / union if CIoU or DIoU or GIoU: cw = torch.max(box1[:, 2], box2[:, 2]) - torch.min(box1[:, 0], box2[:, 0]) # 包围框宽度 ch = torch.max(box1[:, 3], box2[:, 3]) - torch.min(box1[:, 1], box2[:, 1]) # 包围框高度 ... # CIoU计算 v = (4 / math.pi**2) * torch.pow(torch.atan(w2 / h2) - torch.atan(w1 / h1), 2) alpha = v / (v - iou + (1 + eps)) return iou - (rho2 / c2 + v * alpha) # CIoU ``` --- ### 5. **如何选择IoU类型** | IoU类型 | 特点 | 适用场景 | |---------|------|---------| | **CIoU**（默认） | 综合优化位置、重叠和宽高比 | 通用目标检测 | | **Wise-IoU**[^2] | 动态调整样本权重，抑制低质量样本 | 噪声数据或小目标检测 | | **GIoU** | 解决无重叠框的梯度消失问题 | 稀疏目标场景 | ---
评论
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