目標檢測中常常用iou來衡量proposal或anchor和gt之間的重合度，也就是他們之間的交並比，是目標檢測中重要的評價尺度，鮮明的特點就是對尺度scale不敏感。然而沒有方向資訊，無法指導神經網路應該如何調整：
針對這兩個缺點，有人提出了giou
定義：先計算兩個框的最小閉包區域面積，再計算閉包區域中都不屬於兩個框的區域佔閉包區域面積的比重，再計算iou，最後用iou減去這個比重就能得到giou。解釋一下什麼是最小閉包區域，所謂最小閉包區域就是兩個框的最小外接矩形啦，如圖所示：包含黃色和紅色的兩個框的最小外接矩形就是最小閉包區域啦。
有如下特點
因此比值為1，iou減去這個比值就是-1）
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...
（原）IOU的計算
參考 中iou的計算。理解不對的地方敬請諒解。iou是兩個矩形的交集與兩個矩形並集的比值 可以這樣理解吧 如下圖所示 黃色矩形起點座標 x11,y11 終點座標 x12,y12 藍色矩形起點座標 x21,y21 終點座標 x22,y22 則 黃色矩形寬w1 x12 x11，高h1 y12 y11 黃...
求向量檔案的iou
import numpy as np import shapely from shapely import geometry from shapely.geometry import polygon,multipoint 多邊形 import matplotlib.pyplot as plt lin...