計算兩個矩形的交並比，通常在檢測任務裡面可以作為乙個檢測指標。你的**bbox和groundtruth之間的差異，就可以通過iou來體現。很簡單的演算法實現，我也隨便寫了乙個，嗯，很簡單。
1. 使用時，請注意bbox四個數字的順序(y0,x0,y1,x1)，順序不太一樣。
#!/usr/bin/env python
# encoding: utf-8
def compute_iou(rec1, rec2):
"""computing iou
:param rec1: (y0, x0, y1, x1), which reflects
(top, left, bottom, right)
:param rec2: (y0, x0, y1, x1)
:return: scala value of iou
"""# computing area of each rectangles
s_rec1 = (rec1[2] - rec1[0]) * (rec1[3] - rec1[1])
s_rec2 = (rec2[2] - rec2[0]) * (rec2[3] - rec2[1])
# computing the sum_area
sum_area = s_rec1 + s_rec2
# find the each edge of intersect rectangle
left_line = max(rec1[1], rec2[1])
right_line = min(rec1[3], rec2[3])
top_line = max(rec1[0], rec2[0])
bottom_line = min(rec1[2], rec2[2])
# judge if there is an intersect
if left_line >= right_line or top_line >= bottom_line:
return 0
else:
intersect = (right_line - left_line) * (bottom_line - top_line)
return (intersect / (sum_area - intersect))*1.0
if __name__=='__main__':
rect1 = (661, 27, 679, 47)
# (top, left, bottom, right)
rect2 = (662, 27, 682, 47)
iou = compute_iou(rect1, rect2)
print(iou)
IOU的計算和python實現
深度學習的目標檢測中，iou表示先驗框 bounding box 和真實框 ground truth 的交並比，在數學上就是表示兩個框之間的交際和兩個框的並集的比值。初中我們就知道，交集一定是小於或等於並集。在faster rcnn等目標檢測框架中，經常用到這個東西，今天來實現一下。雖然網上有很多版...
YOLO 用 Python 來計算 IOU
在做yolo目標檢測相關的專案，裡面涉及到計算iou，可以理解為系統 出來的框與原來中標記的框的重合程度。因為yolo的實現是用tensorflow實現的，而我又要單獨列出來，所以就打算用python來計算 iou。iou的計算這個問題，其實我們可以轉化成兩個矩形框的重合程度，那麼 這裡有個難點，如...
python實現的Iou與Giou
最近看了網上很多博主寫的iou實現方法，但giou的 似乎比較少，於是便自己寫了乙個，新手上路，如有錯誤請指正，話不多說，上 def iou rec1,rec2 x1,x2,y1,y2 rec1 分別是第乙個矩形左右上下的座標 x3,x4,y3,y4 rec2 分別是第二個矩形左右上下的座標 are...