IoU、GIoU、DIoU

最新推荐文章于 2024-12-23 11:09:22 发布
最新推荐文章于 2024-12-23 11:09:22 发布
阅读量768 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： deep learning
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/redfivehit/article/details/104264491
IOU是目标检测中的关键指标，用于衡量预测框与真实框的匹配程度，具有尺度不变性。然而，当两框无交集时，IoU无法体现它们的距离。为解决此问题，GIoU引入了最小闭包区域的概念，进一步DIoU加入了距离信息，提供更稳定的框回归。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

IOU(Intersection over Union)

1. 特性(优点)

IoU就是我们所说的交并比，是目标检测中最常用的指标，在anchor-based的方法中，他的作用不仅用来确定正样本和负样本，还可以用来评价输出框（predict box）和ground-truth的距离。

 

  1. 可以说它可以反映预测检测框与真实检测框的检测效果。
  2. 还有一个很好的特性就是尺度不变性，也就是对尺度不敏感（scale invariant）， 在regression任务中，判断predict box和gt的距离最直接的指标就是IoU。(满足非负性；同一性；对称性；三角不等性)

 

2. 作为损失函数会出现的问题(缺点)

  1. 如果两个框没有相交，根据定义，IoU=0，不能反映两者的距离大小（重合度）。同时因为loss=0，没有梯度回传，无法进行学习训练。
  2. IoU无法精确的反映两者的重合度大小。如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。

二、GIOU(Generalized Intersection over Union)

最低0.47元/天 解锁文章

200万优质内容无限畅学
IoU的进化之路——IoU、GIoU、DIoU、CIoU四种损失函数总结
chase
08-06 7615
IoU、GIoU、DIoU、CIoU四种损失函数总结
IoU、GIoU、DIoU、CIoU损失函数
吴建明wujianming_110117
05-31 4627
IoU、GIoU、DIoU、CIoU损失函数 目标检测任务的损失函数由Classificition Loss和Bounding Box Regeression Loss两部分构成。目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程，其演进路线是 一、IOU(Intersection over Union) 特性(优点) IoU就是我们所说的交并比，是目标检测中最常用的指标，在anchor-based的方法。作用不仅用来确定正样本和负样本，还可以用
yolo中的iou是什么意思
hello！
08-12 1691
IoU 的值范围在 0 到 1 之间，值越接近 1，表示两个边界框的重叠程度越高。在目标检测任务中，IoU 常用于判断预测框（predicted bounding box）和真实框（ground truth bounding box）之间的匹配程度。具体来说，IoU 是通过计算两个边界框的交集面积与的并集面积之比来得到的。在YOLO算法中，IoU 用于非极大值抑制（Non-Maximum Suppression, NMS）过程，以去除冗余的预测框，保留最佳的预测结果。
【YOLO】用 Python 来计算 IOU
Jinlong_Xu的博客
06-04 1万+
在做YOLO目标检测相关的项目，里面涉及到计算IOU，可以理解为系统预测出来的框与原来图片中标记的框的重合程度。 因为YOLO的实现是用tensorflow实现的，而我又要单独列出来，所以就打算用Python来计算 IOU。 IOU的计算这个问题，其实我们可以转化成两个矩形框的重合程度，那么 第一步是判断是否重合第二步是计算重合程度 这里有个难点，如何判断是否重合。我的理解是分别比较
YOLO v2目标检测详解二 计算iou
路途遥远，初心难忘，道阻且长，愿君走出半生，归来仍是少年
04-08 2043
IoU 作为目标检测算法性能 mAP 计算的一个非常重要的函数。 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。常见的两个框的交集情况有以下六种 iou的计算方式是：重叠面积/（总面积-重叠面积） 就按照yolo v2常用数据进行举例 ...
目标检测——IoU 计算
weixin_30568715的博客
03-28 391
Iou 的计算 我们先考虑一维的情况：令 \(A = [x_1,x_2], B = [y_1, y_2]\)，若想要 \(A\) 与 \(B\) 有交集，需要满足如下情况： 简言之，要保证 \(A\) 和 \(B\) 的最大值中最小的那个减去它们中的最小值中最大的那个即可获得公共部分，代码实现如下： class Anchor: def __init__(self, base_size=1...
目标检测之iou的计算
shuijinghua的博客
04-11 1832
1. IoU的简介及原理解析 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。 开始计算之前，我们首先进行分析下交集和并集到底应该怎么计算：我们首先需要计算交集，然后并集通过两个边框的面积的和减去交集部分即为并集，因此 IoU 的计算的难点...
IOU GIOU DIOU CIOU 及代码实现
m0_54146002的博客
09-27 679
发展过程： IOU IOU(交并比)顾名思义就是两个框的交集除以他们的并集。 IOU Loss： 或者 IOU Loss = 1 －IOU(比较常用) IOU 的优点： 1.能够很好的反应重合的程度 2.具有尺度不变性 缺点： 当不相交时候loss为0 （IOU Loss = 1 - IOU） GIOU 如图绿色边界框为真实的边界框，红色边界框为网络预测的边界框，蓝色边界框为用最小的矩形把两个边界框给框住。 = 蓝色目标边界框面积。...
【YOLO系列】IoU、GIoU、DIoU、CIoU详细解析
m0_55908255的博客
12-23 2221
IoU能够反映框与框之间的实际重叠质量，而不仅仅是数值上的距离差异（IoU的值在0~1之间，越靠近0说明重叠程度越低，越靠近1说明重叠程度更高，而MSE计算box损失时如果预测框与真实框差距很大的话，数值可能是无限的，范围是。：MSE主要关注框的位置和大小，不关心预测框与真实框的重叠程度，因此在预测框和真实框之间的重叠较少时，bbox定位损失项也可能很小，导致模型优化方向不准确。上图两个预测框与真实框的IoU都为0，但显然是预测框1的预测效果比预测框2更好的（因为预测框1与真实框。
目标检测基础——IOU计算
Guo_Python的博客
04-26 5047
IoU 作为目标检测算法性能 mAP 计算的一个非常重要的函数，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。
目标检测IoU计算
weixin_42077852的博客
04-06 366
''' 1.分别求两个矩形的高和宽：[height1，width1],[height2,width2] 2.求交集的高和宽[height,width] ''' def IOU(Reframe,GTframe): ''' Reframe:模型预测框，GTframe：模型标签框（groundtruth） args: Reframe=[x1,y1,x2,y2]左上角坐标...
目标检测---IOU计算详细解读(IoU、GIoU、DIoU、CIoU、EIOU、Focal-EIOU、SIOU、WIOU)
慕溪同学的博客
03-17 3万+
常见的一些边界框回归IOU损失函数原理与代码实现。
IoU计算方式
qq_30150579的博客
11-23 593
IoU计算方式与含义
818 yolo算法中计算iou的原理及源码
Christo的博客
09-13 2315
在非极大值抑制算法中需要经常用到计算iou，原理很简单，但是从工程的角度如何去实现这个原理呢，今天就来818 原理 如图中黑色点和红色点分别是两个框的坐标，要找到交集部分即通过比较左上角的点和右下角的点就可以求得交集的面积。 另可参考下面这篇博文： 目标检测之 IoU 源码解析 对于源码实现有两种方式，一种是通过矩阵批量操作，一种是单个去计算，先介绍通过矩阵批量操作这种方式 矩阵批量操作实现 # IOU计算 # 假设box1维度为[N,4] box2维度为[M,4]，这里的box
目标检测从入门到精通——常见iou及变体算法介绍
swpucwf的博客
09-09 2155
在目标检测任务中，IoU 是评估模型性能的重要指标。随着研究的深入，许多 IoU 的变体被提出，以解决传统 IoU 在某些情况下的不足。每种 IoU 变体都有其独特的优点和适用场景，选择合适的 IoU 计算方法可以根据具体应用需求来决定。指标计算方式特点IoU交集面积 / 并集面积简单易懂，但在无重叠情况下无法提供有效反馈GIoUIoU - (最小外接框面积 - 并集面积) / 最小外接框面积解决了 IoU 的不足，考虑了框之间的距离DIoU。
YOLOv5全面解析教程（三）：IoU深入解析
limingmin2020的博客
12-28 2504
主要介绍用于边界框回归的DIoU损失和CIoU损失和用于抑制冗余检测框的DioU-NMS。
yolo 算法中的IOU算法程序与原理解读
caokaifa的博客
06-18 1万+
你如何判断对象检测算法运作良好呢？这里我们引进了IoU(Intersection over Union)通过上面的图，我们可以知道loU衡量了两个边界框重叠地相对大小。如果你有两个边界框，你可以计算交集，计算并集，然后求两个数值的比值，现在贴出python计算IOU代码：def iou(box1, box2): """Implement the intersection over unio...
目标检测——交并比（Intersection of Union，IoU）计算
无限迭代中......
02-08 2万+
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
【深度学习】目标检测中 IOU 的概念及计算
热门推荐
frank 的专栏
06-10 3万+
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=A∩BA∪B 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∪...
IOU DIOU GIOU
最新发布
12-28
### IOU、DIOU、GIOU 的概念及应用 #### 交并比 (Intersection over Union, IOU) 交并比是一种衡量两个边界框之间相似程度的方法。具体来说，它通过计算预测框 \( A \) 和真实框 \( B \) 的交集与它们的并集之比来...
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