图像检测中的交并比IoU算法原理

火星种萝卜 火星种萝卜 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 508平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄19年
关注
转载 最新推荐文章于 2026-05-28 12:48:08 发布 508 阅读 AI 写同款· GEO 优化 ›
目标检测基础模块之IoU汇总（iou/giou/ciou/diou） 1 简介 IoU又名交并比，是一种计算不同图像相互重叠比例的算法，时常被用于深度学习领域的目标检测或语义分割任务中。 1.1 IoU在目标检测中的应用 在目标检测任务中，我们时常会让模型一次性生成大量的候选框（candidate bound），然后再根据每一个框的置信度对框进行排序，进而依次计算框与框之间的IoU，以非极大值抑制的方式，来判断到底哪一个是我们真正要找的物体，哪几个又该删除。例如在做人脸检测时，模型输出的可能是左图，而最终我们得到的是右图。 在我们得到最终的输出后，也可以拿... 阅读详情

 

https://blog.youkuaiyun.com/u014061630/article/details/82818112?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

收录于
Python CV

当前文章被收录于：

Python CV
63 篇文章 1 人学习
订阅专栏 查看详情
原文链接：https://blog.youkuaiyun.comhttps://blog.youkuaiyun.com/u014061630/article/details/82818112?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task/weixin_40123108/article/details/86295603>
深度学习｜目标检测与YOLO算法 介绍深度学习中视觉识别领域的目标检测算法，并简述YOLO算法的步骤与原理。 阅读详情

相关推荐

目标检测基础模块之IoU及优化

1 简介 IoU又名交并比，是一种计算不同图像相互重叠比例的算法，时常被用于深度学习领域的目标检测或语义分割任务中。 1.1 IoU在目标检测中的应用 在目标检测任务中，我们时常会让模型一次性生成大量的候选框（candidate bound），然后再根据每一个框的置信度对框进行排序，进而依次计算框与框之间的IoU，以非极大值抑制的方式，来判断到底哪一个是我们真正要找的物体，哪几个又该删除。例如在做人脸检测时，模型输出的可能是左图，而最终我们得到的是右图。 模型生成的多个候选框（橙色）—&a

KaikebaAI的博客 1496

用python写读取图片中检测框并进行交并比运算的代码

我可以提供一段示例代码： import cv2 import numpy as np 读取图片 img = cv2.imread('image.jpg') 定义检测框 detect_box = (100, 100, 200, 200) 获取检测框中的图片 roi = img[detect_box[1]:detect_box[3], detect_box[0]:detect_box[2]] ...

weixin_42592399的博客 187

目标检测：均值平均精度（mAP）和交并比（IoU）的 Python 实现

评估目标检测算法的性能可以使用多种指标，其中包括均值平均精度（mean Average Precision，mAP）和交并比（Intersection over Union，IoU）。通常，目标检测算法的输出是一组边界框（bounding box），每个边界框表示一个检测到的目标及其位置。mAP是Precision-Recall曲线下的平均精度，用于衡量算法在不同阈值下的准确性和召回率之间的平衡。根据你的具体需求，你可以进一步扩展和改进这些代码，以适应不同的数据集和算法。首先，我们需要导入所需的库。

TechNovaX的博客 463

python目标检测答案_目标检测 IOU（交并比） 理解笔记

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。基础知识：交集：集合论中，设A，B是两个集合，由所有属于集合A且属于集合B的元素所组成的集合，叫做集合A与集合B的交集，记作A∩B。eg：A={...

weixin_39671405的博客 646

15、深度学习：肺炎预测与目标检测

本博客介绍了深度学习在肺炎预测和目标检测两个计算机视觉领域的应用。肺炎预测部分展示了如何使用预训练的卷积神经网络（CNN）对胸部X光图像进行分类，详细解析了代码实现和预测输出。同时，列举了LeNet-5、AlexNet和VGG-16等经典CNN架构的特点和应用场景。在目标检测部分，深入讲解了从R-CNN到Fast R-CNN再到Faster R-CNN的发展历程，分析了不同算法的工作原理、优缺点以及性能对比。此外，还介绍了目标检测的关键评估指标交并比（IoU），并展示了各算法的流程图。最后，对深度学习在这两

sony5的博客 72

WAVE格式

一.wave格式概述 Wave文件格式是用于多媒体文件存储的Microsoft RIFF（Resource Interchange FileFormat）的一个子集。每一个RIFF文件以一个文件头开始，后面是一系列数据块。Wave文件通常是包含“WAVE”块的RIFF文件。而该“WAVE”块由两个子块组成，称为“fmt”块。“fmt”块用于确定数据格式，并且“data”块包含实际的样本数据，

yejia1280的博客 4390

目标检测中计算图像的交并比（IOU)

交并比为目标检测中一个重要的概念，来进行预测框（ground truth）与标注框的重合率来对检测的正确率进行比较。图示如下： 交并比计算公式： IOU=C⋂GC⋃G IOU=\frac{C \bigcap G }{C \bigcup G} IOU=C⋃GC⋂G​ 代码示例： # -*-coding:utf-8 -*- # 计算图像的（IOU）交并比 def Iou(box1,box2): ...

DawN 6345

物料主数据管理难在哪？基于AI算法的数据清洗工具了解一下

企企通打造的一套以AI模型和算法为核心的产品及服务，可针对各类企业的不同主数据痛点难点，提供多种解决方案，能够快速完成物料主数据清洗、识别、匹配、梳理，满足一物一码、分类梳理、一品多商、多维度比价、精准寻源选品、建立标准物料库、供应商及客户主数据清洗等业务场景需求。随着AI技术的快速发展，智能算法在数据清洗领域的应用越来越广泛，越来越多的数据清洗工作已经开始交由智能算法完成，通过自动化的方式处理大量数据，识别和纠正错误，填补缺失值，检测异常值，以及执行其他数据预处理任务，并提高效率并减少人为错误。

QQT_qqt的博客 1364

交并比ion（ intersection over union ）及优化总结

1.IoU IoU又名交并比，是一种计算不同图像相互重叠比例的算法，时常被用于深度学习领域的目标检测或语义分割任务中。 优点：IoU初步满足了计算两个图像的几何图形相似度的要求，简单实现了图像重叠度的计算。 缺点：无法体现两个图形之间的距离以及图形长宽比的相似性。 2.GIoU GIoU（Generalized Intersection over Union）相较于IoU多了一个‘Generali...

kaxiaokui的博客 2147

用Arduino和8个舵机，从零搭建一台能走路的并联腿机器狗（附完整代码与3D模型）

本文详细介绍了如何用Arduino和8个舵机从零搭建一台能走路的并联腿机器狗，包括硬件准备、结构组装、电路系统搭建、运动算法实现和Arduino编程。通过完整的代码与3D模型，帮助创客深入理解机器人运动原理，实现稳健行走的8自由度机器狗。

weixin_30482383的博客 702

别再只调包了！深入理解机器学习虚拟筛选中的分子指纹（ECFP/Morgan）

本文深入探讨了ECFP/Morgan分子指纹在机器学习虚拟筛选中的应用与优化策略。通过解析半径参数与比特长度的化学意义，揭示了如何通过参数调优提升模型性能20%以上，特别适用于药物发现领域的高通量筛选。文章还提供了工程实践中的参数优化策略和多指纹融合技术，为开发者提供从理论到实践的全面指导。

weixin_33704234的博客 829

【YOLO】物体识别算法的核心思想

YOLO是目前比较流行的物体检测算法，有着体积小，检测准确度高的强大优点。这里对YOLO的核心思想知识点，使用可视化的方法做一总结。

Xav Pun的博客 7580

Win10管理员权限的‘暗门’：从mmc.exe被阻止，聊聊UAC与自动提权那些事儿

本文深入解析Windows 10中UAC（用户账户控制）与自动提权机制，探讨mmc.exe被阻止的深层原因及解决方案。从UAC工作原理到自动提权机制，再到具体诊断与修复步骤，帮助用户理解并解决权限管理问题，同时平衡安全性与便利性。

weixin_30521161的博客 419

目标检测进阶二(Yolo算法)

假设你的输入图像是100✖100的，然后再图像上放一个网格。为了简单这里放置了3✖3的网格（实际实现时会更加精细）。YOLO算法基本思路是：使用图像分类和定位算法（之前博客中介绍过），然后将算法应用到9个格子上。 更具体一点，需要这样定义训练标签，对于9个格子中的每一个，指定一个标签y，y是8维向量，即Pc=0或1，表示格子中是否有图像，然后bx，by，bh，bw去表示（如果那个格子中有对象）边...

litt1e的博客 1724

利用HFSS仿真优化圆极化微带天线的耦合馈电设计

本文深入探讨了利用HFSS仿真软件优化圆极化微带天线性能的关键方法。通过对比传统直接馈电与耦合馈电方式，详细阐述了耦合馈电在提升阻抗匹配、改善轴比带宽及增强设计鲁棒性方面的显著优势。文章结合FR4板材的实战案例，逐步演示了在HFSS中建立模型、进行参数扫描与圆极化性能优化的完整流程，为设计高性能、高纯度的圆极化天线提供了实用指南。

weixin_29233333的博客 547

​​EMC设计实战：BCI（大电流注入）硬件设计规范

LIN接口：集成TVS管（如PESD5V0S1BL）与共模电感，耐压等级≥20V（8kV HBM）。输入滤波：10μF电解电容（100kHz截止）+ 0.1μF陶瓷电容（10MHz截止）。​：全频段（1MHz-400MHz）注入200mA电流，LIN通信误码率<0.01%。对敏感电路（如传感器）采用隔离电源（如ADuM5000），隔离电压≥3kVrms。​：连续波（CW）与调幅波（AM，调制深度80%）组合，覆盖全频段干扰场景。​：选择低频段（1-100MHz）感量≥100μH的绕线电感，抑制共模电流。

m0_50833886的博客 1936

Convolutional Neural Networks--卷积神经网络(第三周)目标检测

目标监测-YoLo算法

liyanchang567的博客 347

基于深度学习YOLOv8的PCB板缺陷检测系统

基于YOLOv8的PCB板缺陷检测系统，可以有效提高PCB生产过程中的检测效率。未来，我们可以进一步优化模型，结合更多的数据增强策略和先进的网络结构，以适应更复杂的生产环境。为了进行训练，理想的数据集应包含多种不同缺陷类型和不同背景的PCB图像。YOLOv8需要的数据格式为每个图像一个标签文件，每个标签文件包含缺陷的类别及其边界框坐标。运行该界面时，用户可以通过点击按钮选择图像，随后系统将自动检测图像中的PCB缺陷并显示结果。训练完成后，可以使用训练好的模型进行推理，检测新的PCB图像中的缺陷。

YOLO 1070

深度学习Course4第三周Detection Algorithms习题整理

解析：you need bounding boxes in the training set. Your loss function should try to match the predictions for the bounding boxes to the true bounding boxes from the training set.解析：（2 * 2）/ （4 * 4 + 4 * 4 - 2 * 2）= 4 / 28 = 1 / 7。

l8947943的博客 4738

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

深度学习之目标检测学习笔记——1、基本概念

1、BBox：边界框 一般分为人工标注、预测识别两种。 有两种标注方式： 1）xyxy：左上+右下的坐标 2）xywh：左上+长宽 一共四个值进行记忆。 2、Anchor：锚框，又叫Prior Box 人为设置的不同长宽比、面积的先验框。 一般是在特征图片上进行划定区域而进行的。 3、RoI：特定的感兴趣区域 4、Region Proposal：候选区域/框 5、RPN：Region Proposal Network——提取候.

靡不有初 鲜克有终 5835

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

python计算二维矩形IOU

计算交并比：交的面积除以并的面积。 要求矩形框的长和宽应该平行于图片框。不然不能用这样的公式计算。 原理，从一维上来理解：两条红线的距离之和减去黑色线之间的距离就是相交的距离。两条红线之和很容易算，两条黑线之间的距离就是最小的起点到到最大的末点，最小的起点好算，最大的末点就是两点加上各自长度之后的最大值。这就算出了一维的情况，二维的情况一样，计算二次而已。 def iou(rect1,...

york1996的博客 1797

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

IOU计算过程

IOU即交并比，InterSection over Union。 首先，给出每个box的两组坐标，怎么判断重叠？ 第一种思路：如果不重叠，一个盒子一定在另一个的上下左右 第二种思路：如果重叠，找到重叠区域，看这个区域的长宽是否为正 根据第二种思路，就可以计算重叠面积了，即InterSection。 假设 Box1的左上坐标(x1，y1)，右下坐标(x2，y2) Box2的左上坐标...

今晚打老虎 2384

目标检测---IOU计算详细解读(IoU、GIoU、DIoU、CIoU、EIOU、Focal-EIOU、SIOU、WIOU)

常见的一些边界框回归IOU损失函数原理与代码实现。

慕溪同学的博客 5万+

目标检测之交并比——IoU

原文链接：https://blog.youkuaiyun.com/u014061630/article/details/82818112 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...

import_torch_as_tf 2251

IOU原理详解代码复现 python numpy/pytorch

IOU就是两个图像的交并比，这是一个图像检测中很重要的概念，想要构建YOLO系列的目标检测对应函数，就必须要先写一个计算交并比的程序，什么是交并比，就是两个图像交集的面积比上并集的面积，如果用下面的图来举例子的话。IOU=S1​+S2​−S3​S3​​由于目标检测的过程中我们大部分用的都是矩形框，根据算法我们都是知道两个矩形的左上角点的坐标和矩形的高和宽。

一个学长的博客 3024

目标检测IOU和NMS详解

目标检测中遇到两个比较重要的概念,一个是iou,一个是nms

weixin_42958977的博客 1269
上一篇： 直线的向量表示法
下一篇： 查看tensorflow安装版本
点赞 0
评论 0
书签 书签 0
火星种萝卜
火星种萝卜
博客等级 码龄19年 438粉丝 304原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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