深度学习知识点：IOU的计算及代码实现

最新推荐文章于 2025-05-23 01:34:43 发布

CVer_Yxq

最新推荐文章于 2025-05-23 01:34:43 发布

阅读量1.5k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习知识点总结

本文链接：https://blog.youkuaiyun.com/yangxinquan123/article/details/89674583

深度学习知识点总结专栏收录该内容

5 篇文章

订阅专栏

本文深入探讨了目标检测中预测框与真实框之间的交并比(IoU)计算过程，详细解释了如何通过计算交集面积和并集面积来评估预测框与真实框的重叠程度，这对于理解目标检测算法的精度至关重要。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

        if BBGT.size > 0:
            # 计算IoU
            # BBGT是真实坐标，bb是预测坐标
            ixmin = np.maximum(BBGT[:, 0], bb[0])
            iymin = np.maximum(BBGT[:, 1], bb[1])
            ixmax = np.minimum(BBGT[:, 2], bb[2])
            iymax = np.minimum(BBGT[:, 3], bb[3])
            iw = np.maximum(ixmax - ixmin + 1., 0.)
            ih = np.maximum(iymax - iymin + 1., 0.)

            # interesting
            inters = iw * ih

            # union
            # (bb[2] - bb[0]) 是预测框的width，(bb[3] - bb[1])是预测框的height
            # (BBGT[:, 2] - BBGT[:, 0]) 是真实框的width
            # (BBGT[:, 3] - BBGT[:, 1]) 是真实框的height
            uni = ((bb[2] - bb[0] + 1.) * (bb[3] - bb[1] + 1.) +
                   (BBGT[:, 2] - BBGT[:, 0] + 1.) *
                   (BBGT[:, 3] - BBGT[:, 1] + 1.) - inters)

            overlaps = inters / uni
            # 检测到的目标框可能预若干个真实目标框都有交集，选择其中交集最大的
            ovmax = np.max(overlaps)