关于目标检测中的IOU（交并比）的一个小记

最新推荐文章于 2025-10-11 18:46:59 发布

原创最新推荐文章于 2025-10-11 18:46:59 发布 · 3.5k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#IOU

编程语言_python 专栏收录该内容

11 篇文章

订阅专栏

本文详细解析了目标检测中检测框与追踪框的概念，介绍了如何通过计算交并比(IOU)来评估两个框之间的重叠程度。通过具体代码示例，展示了计算IOU的具体步骤，有助于深入理解目标检测与追踪算法。

看到网上关于这个东西很直观的一个解释，今天看代码，直接理解还是比较抽象，所以也想把这个记下来供以后查看可以简单的将橙色框理解为检测（检测框）;黑色框（轨道）追踪框。计算IOU即为

IOU =两框交集/两框区域和

def iou(det,trk):
  #det，trk 代表检测框与轨迹（追踪框）
  """
  Computes IUO between two bboxes in the form [x1,y1,x2,y2]

  坐标顺序为 xmin ymin xmax ymax  确定一个矩形
  """
  #det[0]代表检测框的左上顶角横坐标； trk[0]代表追踪框的左上顶角横坐标
  xx1 = np.maximum(det[0], trk[0])   #使用maximum 函数；X 与 Y 逐位比较取其大者；
  yy1 = np.maximum(det[1], trk[1])
  xx2 = np.minimum(det[2], trk[2])
  yy2 = np.minimum(det[3], trk[3])

  #找到交集的左上顶角到右下顶角的坐标

  w = np.maximum(0., xx2 - xx1)
  h = np.maximum(0., yy2 - yy1)
  #得到交集的宽高
  
  wh = w * h

#iou为交并比；求并集会多算一个交集区域，减去一个即可
  output = wh / ((det[2]-det[0])*(det[3]-det[1])      
    + (trk[2]-trk[0])*(trk[3]-trk[1]) - wh)
  return(output)