目标检测系列之iou的计算（python实现）

最新推荐文章于 2025-06-25 18:30:54 发布

jayckwang

最新推荐文章于 2025-06-25 18:30:54 发布

阅读量7.2k

点赞数

CC 4.0 BY-SA版权

文章标签： iou 目标检测

本文链接：https://blog.youkuaiyun.com/weixin_42631693/article/details/90747516

本文介绍了目标检测中的重要指标IOU（Intersection over Union），解释了其概念和作用，以及如何通过Python计算IOU。文章还讨论了IOU在判定预测框有效性时的阈值设置，并概述了IOU的不同类型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.IOU

IOU(Intersection over Union)即交并比，是目标检测中衡量目标检测算法准确度的一个重要指标，顾名思义，即交集与并集的比值，那所谓的交集和并集分别指代什么呢？

目标检测是一个有监督学习的过程，它常常需要大量的有标签数据进行训练学习。目标检测实际要解决的问题有两个，一个是目标分类，还有一个就是目标定位，这里我把目标的位置信息也当作是一种标签，只不过这种标签是目标框的信息x,y,w,h，一般由人工标记。如上图所示，ground truth 所在的框就是一个目标真实label,而bounding box 就是目标检测算法预测的目标的label。如果两个框能完全重合，那么就说明目标检测算法预测结果完全正确，但通常这是不可能，目标框的预测实际是回归问题，回归问题的损失函数再怎么迭代更新，都不可能等于0。

上图所示就是所谓的IOU，它是目标所在的真实框(ground truth) 与算法预测的目标所在的框(bounding box)的交集与并集的比值。这个IOU由什么用呢？有时我们听别人作报告时，会听到IOU阈值这类的说法，我们会用IOU阈值来判定预测的bounding box是否有效。一般阈值会设定在0.5，当IOU的值大于等于0.5时，我们会把这个预测的bounding box 归为正类，而小于0.5的归为负类。再将正类的bounding box拿去回归训练。

2.IOU的类型有以下几种