IoU、GIoU、DIoU

最新推荐文章于 2025-10-30 15:23:59 发布
原创 最新推荐文章于 2025-10-30 15:23:59 发布 · 807 阅读 · 2 ·
CC 4.0 BY-SA版权
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。

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。

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
YOLOv5基础知识入门（5）— 损失函数（IoU、GIoU、DIoU、CIoU和EIoU）
小哥谈
10-21 1228
使用YOLOv5训练模型阶段，需要用到损失函数。损失函数是用来衡量模型预测值和真实值不一样的程度，极大程度上决定了模型的性能。本节就给大家介绍IoU系列损失函数，希望大家学习之后能够有所收获！🌈
【目标检测】IoU（交并比）详解及代码实现
Roaddd的博客
02-24 2万+
1. 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。 2. 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
yolo论文中IOU/AP/MAP/NMS概念详解
jiaqi_ge的博客
08-30 1万+
1.卷积滑动窗口 2.yologridcell检测 3.交并比 4.非极大值抑制 5.构建障碍物识别检测算法（两者区别） 创建标签训练集 检测 准确率，召回率，map
CIoU（Complete IoU）
最新发布
彬彬侠的博客
10-30 1702
CIoU (Complete IoU) 损失函数在目标检测中结合了重叠度、中心点距离和宽高比一致性三重约束，能够提供更全面的边界框回归优化。相比IoU、GIoU和DIoU，CIoU通过引入形状一致性项(v)和自适应权重(α)，有效解决了无重叠梯度消失和形状匹配不足的问题。其数学表达式包含归一化的中心距离惩罚项和基于角度差的宽高比项，使得预测框能更快收敛到正确的位置和形状。实际应用中，CIoU常与其他损失函数配合使用，在小目标检测和极端长宽比情况下表现尤为稳健，显著提升了检测精度和收敛速度。PyTorch实现
yolo中的iou是什么意思
hello！
08-12 2070
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
IOU GIOU DIOU CIOU 及代码实现
m0_54146002的博客
09-27 713
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。...
目标检测IoU GIoU DIoU CIoU EIoU Loss
qq_41917697的博客
04-01 1387
IoU GIoU DIoU CIoU LossIoU LossGIoU LossDIoU LossCIoU Loss IoU Loss GIoU Loss DIoU Loss CIoU Loss
IoU的进化之路——IoU、GIoU、DIoU、CIoU四种损失函数总结
chase
08-06 7832
IoU、GIoU、DIoU、CIoU四种损失函数总结
目标检测中的IoU、GIoU、DIoU与CIoU
个人学习笔记
12-14 3万+
什么是IOU？ 简单来说IOU就是用来度量目标检测中预测框与真实框的重叠程度。在图像分类中，有一个明确的指标准确率来衡量模型分类模型的好坏。其公式为： acc=PtrueNN=全部样本的数量，Ptrue=预测正确的样本数量 acc = \frac{P_{true}}{N} {\quad}{\quad}{\quad}{\quad}{\quad}{\quad}{\quad}N=全部样本的数量，P_{true}=预测正确的样本数量 acc=NPtrue​​N=全部样本的数量，Ptrue​=预测正确的样本数量 这个
IoU, GIoU, DIoU, CIoU, SIoU loss函数python实现
qq_43522163的博客
12-07 1414
IoU, GIoU, DIoU, CIoU, SIoU
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 2115
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
03-28 410
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 1881
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...
目标检测基础——IOU计算
guopeiAI
04-26 5099
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
04-06 389
''' 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)
热门推荐
慕溪同学的博客
03-17 4万+
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
11-23 698
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 2520
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
IOU DIOU GIOU
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估两者的重合度： \[ IOU = \frac{A \cap B}{A \cup B} \] 该方法广泛应用于目标检测领域，用于评价模型预测的效果[^2]。 #### 广义交并比 (Generalized Intersection over Union, GIOU) 广义交并比不仅考虑了传统IOU所关注的重叠区域，还解决了当两个边界框完全不相交时如何量化差异的问题。对于这种情况，GIoU会利用最小外接矩形作为参考框架，从而提供了一种即使在无重叠情况下也能有效测量距离的方式[^1]。 #### 距离交并比 (Distance Intersection over Union, DIOU) 距离交并比进一步扩展了上述两种指标的功能，在考量重叠面积的同时加入了中心点之间的欧几里得距离因子。这一改进有助于加速优化过程，并提高定位精度，特别是在处理那些形状接近但位置略有偏差的目标时表现尤为突出[^3]。 ```python def calculate_iou(box_a, box_b): # 计算两个边界的交集和并集 inter_area = max(0, min(box_a[2], box_b[2]) - max(box_a[0], box_b[0])) * \ max(0, min(box_a[3], box_b[3]) - max(box_a[1], box_b[1])) area_a = (box_a[2]-box_a[0])*(box_a[3]-box_a[1]) area_b = (box_b[2]-box_b[0])*(box_b[3]-box_b[1]) union_area = float(area_a + area_b - inter_area) iou = inter_area / union_area return iou def calculate_giou(box_a, box_b): # 计算GIoU iou = calculate_iou(box_a, box_b) enclosing_box = [ min(box_a[0], box_b[0]), min(box_a[1], box_b[1]), max(box_a[2], box_b[2]), max(box_a[3], box_b[3]) ] c_area = (enclosing_box[2] - enclosing_box[0]) * (enclosing_box[3] - enclosing_box[1]) giou = iou - ((c_area - union_area) / c_area) return giou def calculate_diou(box_a, box_b): # 计算DIoU center_distance_squared = pow((box_a[0]+box_a[2])/2-(box_b[0]+box_b[2])/2, 2) + \ pow((box_a[1]+box_a[3])/2-(box_b[1]+box_b[3])/2, 2) diagonal_length_squared_of_c = pow(enclosing_box[2]-enclosing_box[0], 2) + \ pow(enclosing_box[3]-enclosing_box[1], 2) diou_term = center_distance_squared / diagonal_length_squared_of_c diou = calculate_iou(box_a, box_b) - diou_term return diou ```
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