目标检测中的IOU

原创 已于 2023-08-05 15:57:31 修改 · 1.9k 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。
文章标签：

#目标检测 #人工智能 #计算机视觉

于 2023-08-05 15:54:42 首次发布
IOU是衡量目标检测中预测框与真实框重叠程度的指标，具有尺度不变性。它用于评估模型预测准确性，也可用于正负样本区分、损失函数优化和NMS筛选。本文介绍了IOU的概念、应用场景，并提供了代码示例。

IOU

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：
在这里插入图片描述
这个公式显然不适合在在目标检测中使用。我们知道目标检测中都是用一个矩形框住被检测物体，又因为检测物体尺度不同，预测框与真实框或大或小。所以度量标准必然是具有尺度不变性的，那么大神们就引入了一个概念IOU（交并比），用预测框(A)和真实框(B)的交集除上二者的并集，其公式为：
在这里插入图片描述
在这里插入图片描述

显而易见，IOU的值越高也说明A框与B框重合程度越高，代表模型预测越准确。反之，IOU越低模型性能越差。

IOU应用场景

除了作为目标检测的评价指标，IOU还有其他应用场景：

  • 1.在anchor-based方法的目标检测中，根据IOU的值来区分正样本和负样本。
  • 2.可以直接作为边界框回归的loss函数进行优化。
  • 3.在NMS（非极大值抑制）对预测框筛选。

参考：目标检测中的IoU、GIoU、DIoU与CIoU

写代码调试

说了这么多，关键还得写代码调试看看
python代码

example1

import numpy as np

def IoU(box1, box2):
    b1_x1, b1_y1, b1_x2, b1_y2 = box1
    b2_x1, b2_y1, b2_x2, b2_y2 = box2
    
    xx1 = np.maximum(b1_x1, b2_x1)
    yy1 = np.maximum(b1_y1, b2_y1)
    xx2 = np.minimum(b1_x2, b2_x2)
    yy2 = np.minimum(b1_y2, b2_y2)
    
    w = np.maximum(0.0, yy2 - yy1)
    h = np.maximum(0.0, xx2 - xx1)
 
    inter = w * h
    IoU = inter/((b1_x2-b1_x1)*(b1_y2-b1_y1) + (b2_x2-b2_x1)*(b2_y2-b2_y1) - inter)
    print("IoU: ", IoU)
 
 
if __name__ == "__main__":
    box1
最低0.47元/天 解锁文章
【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
一文读懂目标检测中的各种IoU损失函数
DeepDriving
06-10 2350
本文介绍了在目标检测领域常用的几种IoU损失函数。边界框回归是目标检测中的一种主流技术方法，该方法使用矩形边界框去预测目标对象在图像中的位置，旨在细化预测边界框的位置。边界框回归使用预测边界框和真实边界框之间的重叠区域作为损失函数，称为基于交并比的损失函数。......
【目标检测】IOU介绍
qq_43471945的博客
02-15 1万+
目前较为流行的IOU，其中包含最新的wise-IOU
目标检测之 IoU
tugouxp的专栏
09-02 698
IoU 作为目标检测算法性能 mAP 计算的一个非常重要的函数。 但纵观 IoU 计算的介绍知识，都是直接给出代码，给出计算方法，没有人彻底地分析过其中的逻辑，故本人书写该篇博客来介绍下其中的逻辑。 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.
目标检测 IOU
weixin_44656422的博客
02-21 1318
1、什么是IoU(Intersection over Union) IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。IoU是一个简单的测量标准，只要是在输出中得出一个预测范围(bounding boxex)的任务都可以用IoU来进行测量。为了可以使IoU用于测量任意大小形状的物体检测，我们需要： ground-truth bounding boxes（人为在训练集图像中标出要检测物体的大概范围） 我们的算法得出的结果范围。 也就是说，这个标准用于测量真实和预测之间的相...
【深度学习】目标检测中 IOU 的概念及计算
frank 的专栏
06-10 3万+
在目标检测当中，有一个重要的概念就是 IOU。一般指代模型预测的 bbox 和 Groud Truth 之间的交并比。 何为交并比呢？ IOU=A∩BA∪B IOU = \frac{A\cap B}{A\cup B} IOU=A∪BA∩B​ 集合 A 和集合 B 的并集包括了上面 3 种颜色区域。 集合 C 是集合 A 与集合 B 的交集。 在目标检测当中，IOU 就是上面两种集合的比值。 A∪...
目标检测中IOU评价函数
qq_45359288的博客
09-03 1280
IOU定义 在目标检测的评价体系中，有一个参数叫做 IoU ，简单来讲就是模型产生的目标窗口和原来标记窗口的交叠率。具体我们可以简单的理解为： 即检测结果(DetectionResult)与 Ground Truth 的交集比上它们的并集，即为检测的准确率 IoU : 图示 如下图所示：GT = GroundTruth; DR = DetectionResult; 黄色边框框起来的是：GT⋂DR 绿色框框起来的是：GT⋃DR 当然最理想的情况就是 DR 与 GT 完全重合，即 IoU=1 计算 IoU值
目标检测之 IoU计算原理与方法
tp_0moyi0的博客
11-29 1080
iou计算
目标检测-Iou(交并比)理解
热门推荐
Tc、zyh的博客
10-11 4万+
文章目录一、 IOU概述二、IOU计算三、IOU代码实现 一、 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。 二、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为真实边框，B2为预测边框。 在对象检测任务中，你希望能够同时定位对象，所以如果实际边界框是这样的，你的算法给出这个
目标检测：IoU介绍及其改进
qq_50001789的博客
06-26 3403
在目标检测中常用到一个指标IoU，又称交并比，用于衡量一幅图像中两个边界框的重合度。在训练阶段，可以用于衡量锚框和物体边界框之间的相似度，来给每个锚点划分正负样本，即给锚点匹配标签，同时也可以用作损失函数，通过提高预测边界框与真实边界框之间的相似度来改善网络预测物体边界框的能力；在测试阶段，可以利用IoU来衡量预测边界框之间的重合度，用于过滤重合度高的边界框，即参与NMS运算。计算公式边界框A和边界框B之间的交集区域面积除以并集区域面积IoUA∩BA∪BIoUA∪BA∩B​。
简单理解目标检测的IOU究竟是什么
向往有那么一天梦幻的步态识别落地，开花❀！
07-11 4869
目标检测中有一个很重要的概念便是IOU，那么什么是IOU？ IOU是一种评价目标检测器的一种指标。 下图是一个示例：图中绿色框为实际框，红色框为预测框，当我们需要判断两个框之间的关系时，需要用什么指标呢？ 此时便需要用到IOU。....................................
目标检测之IoU
lzz555517的博客
08-31 524
目标检测之IoU 本博客主要作为本人学习记录，如果错误烦请指正哟~ IoU作为目标检测算法性能mAP计算的一个非常重要的函数，其计算过程是怎样的？ 1. IoU原理 IoU全程交并比(Intersection over Union)，计算的是“预测的边框”和“真实的边框”的交集和并集的比值。 预测边框的并集容易计算，即两个边框面积相加减去交集，但是交集不易计算。在计算交集时你首先想到的是，根据两个框的相对位置来计算交集，如图： 但是这样程序分支太多，设计较为麻烦了，所以可以先从一维角度考虑计算交集，如图
目标检测从入门到精通——常见iou及变体算法介绍
swpucwf的博客
09-09 2660
在目标检测任务中，IoU 是评估模型性能的重要指标。随着研究的深入，许多 IoU 的变体被提出，以解决传统 IoU 在某些情况下的不足。每种 IoU 变体都有其独特的优点和适用场景，选择合适的 IoU 计算方法可以根据具体应用需求来决定。指标计算方式特点IoU交集面积 / 并集面积简单易懂，但在无重叠情况下无法提供有效反馈GIoUIoU - (最小外接框面积 - 并集面积) / 最小外接框面积解决了 IoU 的不足，考虑了框之间的距离DIoU。
目标检测：IOU指标
Wei_sx的博客
02-17 2130
交集（Intersection）：预测框与真实框重叠的区域。并集（Union）：预测框与真实框合并后的区域。IOU的公式：其中：表示交集的面积（即预测框与真实框重叠的区域），表示真实框的面积。
目标检测中的IoU
朴素.无恙的博客
01-11 1885
IOU 在目标检测论文中，会出现参数IoU，即为检测的准确率 IoU，其定义为模型产生的目标窗口和原来标记窗口的交叠率（交并率）。具体我们理解为：检测结果（最终生成的框）与真实值Ground Truth的交集比上它们的并集。 对下图做目标检测 最终得到的图像如下图所示： 其DR = DetectionResult 即为黑框包含部分；GT = GroundTruth，为蓝色部分 黄色边框框起来的...
目标检测入门之矩形框IOU计算
sgzqc的专栏
11-23 4269
1. 引言 在目标检测领域中,我们经常用IOU来衡量检测框和标注真实框之间的重叠程度,那么究竟该如何计算IOU呢? 闲话少说,我们直接进入今天的主题… 2. 什么是IOU? IOU（交并比 Intersection over Union）是一个术语，用于描述两个框的重叠程度。重叠区域越大，IOU越大。 IOU主要用于与对象检测相关的应用程序中，在该应用程序中，我们训练模型输出一个完全包围目标的外接矩形框。例如，在下图中，我们有一个绿色框和一个蓝色框。绿色框表示真实框，蓝色框表示我们模型的预测框。训练模型
目标检测：IOU
JIA_NG_FA_N的博客
06-17 1063
IOU（Intersection over Union）交并比：它计算的是“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。这个比值用于衡量预测边框与真实边框的重叠程度，从而评估目标检测的准确性。在目标检测任务中，通常使用bounding box与ground truth之间的IoU值大小来判断预测结果的好坏。一般情况下，认为IoU>0.5就是一个不错的预测结果。两个box区域的交集除以并集总的来说。
【目标检测必学】快速理解IOU、Recall、Precision、AP、mAP检测指标
qq_45193872的博客
03-03 8429
学习目标： 总结了几篇个人认为深入浅出的目标检测性能指标相关博客，希望通过这次笔记能帮助到还不理解的同学！ **理解目标检测中常用的性能检测指标mAP、IOU、Recall、Precision,**通过约30分钟的阅读深刻理解并掌握这几个常见指标的运用。
目标检测基础模块之IoU及优化
KaikebaAI的博客
07-01 1422
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
yolo目标检测中iou和conf应该怎么调整
最新发布
07-21
<think>我们正在讨论YOLO目标检测算法中调整IOU和置信度阈值的问题。根据引用内容，YOLO算法在推理阶段会使用非极大值抑制（NMS）来提高检测精度，而NMS中通常涉及两个关键参数：置信度阈值（confidence threshold）和IOU阈值（IoU threshold）。 在YOLO中，每个预测框都有一个置信度分数，表示该框包含目标且预测准确的置信程度。同时，每个框还预测了类别概率。通常，我们会设定一个置信度阈值来过滤掉那些置信度较低的预测框，只保留置信度高于该阈值的框。 另外，非极大值抑制（NMS）用于处理多个重叠框的问题。NMS会计算这些框之间的IOU（交并比），如果两个框的IOU超过设定的IOU阈值，则保留置信度更高的那个框，抑制另一个。 因此，调整这两个阈值可以影响检测结果： - 提高置信度阈值：将减少检测到的目标数量，但会提高检测的准确率（减少误检）。 - 降低置信度阈值：将增加检测到的目标数量，但可能会增加误检。 - 提高IOU阈值：在NMS中，两个框需要更高的重叠度才会被合并（即更不容易被抑制），这可能导致保留更多重叠的框（尤其是在密集目标场景中）。 - 降低IOU阈值：在NMS中，两个框即使重叠度较低也可能被合并（抑制其中一个），从而减少重叠框的数量，使得结果更加稀疏。 具体如何调整取决于你的应用场景。例如，在需要高召回率的场景（如安防监控）中，可以适当降低置信度阈值；在需要高精度的场景（如自动驾驶）中，可以提高置信度阈值以减少误检。对于IOU阈值，如果场景中目标比较密集，可以适当提高IOU阈值以避免抑制真实目标，但要注意这可能会增加重复框；如果目标稀疏，可以降低IOU阈值以减少重复框。 在YOLO的实现中（如Darknet框架或PyTorch版本的YOLO），通常在推理时通过命令行参数或代码设置这些阈值。例如，在Darknet中，可以使用`-thresh`参数设置置信度阈值，使用`-iou_thresh`参数设置NMS的IOU阈值（在较新版本中，可能使用`-nms`参数指定NMS的类型和阈值）。 在Python代码中（如使用PyTorch实现的YOLO），通常在调用模型进行推理后，会在后处理步骤中应用NMS，此时可以设置这两个阈值。例如，使用`torchvision.ops.nms`函数时，可以指定IOU阈值，而置信度阈值则在NMS之前用于过滤预测框。 下面是一个示例代码片段（基于PyTorch风格的伪代码）： ```python import torch from torchvision.ops import nms # 假设模型输出为predictions，形状为[N, 6]，其中每行为[x1, y1, x2, y2, confidence, class_id] # 首先根据置信度阈值过滤 conf_threshold = 0.5 # 置信度阈值 iou_threshold = 0.45 # IOU阈值 # 过滤掉置信度低于阈值的框 mask = predictions[:, 4] >= conf_threshold filtered_boxes = predictions[mask] # 对每个类别分别进行NMS # 获取所有类别 unique_classes = filtered_boxes[:, 5].unique() result_boxes = [] for c in unique_classes: # 获取当前类别的所有框 class_mask = (filtered_boxes[:, 5] == c) boxes_class = filtered_boxes[class_mask] # 提取坐标和置信度 boxes = boxes_class[:, :4] scores = boxes_class[:, 4] # 应用NMS keep_indices = nms(boxes, scores, iou_threshold) result_boxes.append(boxes_class[keep_indices]) # 合并所有保留的框 if result_boxes: final_boxes = torch.cat(result_boxes, dim=0) else: final_boxes = torch.tensor([]) ``` 在这个示例中，我们首先根据置信度阈值过滤掉低置信度的预测框，然后对每个类别分别应用NMS，使用设定的IOU阈值。 因此，要调整这两个阈值，你只需要在代码中修改`conf_threshold`和`iou_threshold`的值即可。通过调整这两个值，你可以平衡检测的精度和召回率，以适应不同的应用需求。 需要注意的是，不同的YOLO版本（如v3, v4, v5等）在实现细节上可能略有不同，但调整阈值的基本原理是相同的。</think>在YOLO目标检测中调整IOU和置信度阈值是优化检测效果的关键操作。这些参数直接影响检测精度和召回率，以下是详细调整方法： ### 一、置信度阈值（Confidence Threshold）调整 **作用**：过滤低置信度检测框，减少误检 **调整方法**： 1. **提高阈值**（如0.5→0.7）： - ✅ 减少误检（False Positives） - ❌ 可能漏检小目标或模糊目标 - 适用场景：高精度要求（如自动驾驶） 2. **降低阈值**（如0.5→0.3）： - ✅ 提高召回率（Recall） - ❌ 增加误检风险 - 适用场景：安防监控等需高召回场景 **代码实现**（以PyTorch为例）： ```python # 推理时设置置信度阈值 model.conf = 0.6 # 默认0.25 ``` ### 二、IOU阈值（Non-Maximum Suppression Threshold） **作用**：控制重叠框的合并程度[^3] **调整方法**： 1. **提高IOU阈值**（如0.45→0.6）： - ✅ 减少密集目标的误合并 - ❌ 可能导致重复检测框 - 适用：密集小目标场景（如人群检测） 2. **降低IOU阈值**（如0.45→0.3）： - ✅ 更严格过滤重叠框 - ❌ 可能过度合并相邻目标 - 适用：稀疏大目标场景 **代码实现**： ```python # 设置NMS的IOU阈值 model.iou = 0.5 # 默认0.45 ``` ### 三、联合优化策略 1. **P-R曲线分析**： - 绘制不同阈值组合下的精确率-召回率曲线 - 选择曲线拐点处的阈值（最佳平衡点） 2. **自适应阈值**： ```python # 根据目标尺寸动态调整 if bbox_area < 100: # 小目标 conf_thresh = 0.4 else: conf_thresh = 0.6 ``` 3. **YOLOv4/v5优化**： - 使用DIoU-NMS替代传统NMS[^4] - 引入加权框融合（Weighted Box Fusion） ### 四、实验建议 | 阈值类型 | 典型范围 | 调整方向 | 影响指标 | |---------|---------|---------|---------| | 置信度 | 0.25-0.7 | ↑ 精度↑ 召回↓ | 精确率↑ | | IOU | 0.3-0.7 | ↓ 召回↑ 精度↓ | 召回率↑ | > **最佳实践**：在验证集上以0.05为步长进行网格搜索，选择使mAP最高的组合[^1]
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

打赏作者

静思心远

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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