在目標檢測的評價體系中，有乙個引數叫做 iou ，簡單來講就是模型產生的目標視窗和原來標記視窗的交疊率。具體我們可以簡單的理解為： 即檢測結果(detectionresult)與 ground truth 的交集比上它們的並集，即為檢測的準確率 iou :
如下圖所示：gt = groundtruth; dr = detectionresult;
黃色邊框框起來的是：gt⋂dr
綠色框框起來的是：gt⋃dr
當然最理想的情況就是 dr 與 gt 完全重合，即 iou=1
iou值屬於[0,1] 越接近於1表明**值越接近於真實值，**效果越好；在目標檢測任務中，我們時常會讓模型一次性生成大量的候選框(candidate bbox)，然後再根據每乙個框的置信度對框進行排序，進而依次計算框與框之間的iou，然後進行nms非極大值抑制刪除多餘的檢測框。
例如在做人臉檢測時，模型的**結果可能是左圖，經過nms後最終得到的是右圖。
在我們得到最終的輸出後，計算**框框與真值框之間的iou，然後使用1-iou來作為loss(區間[0,1]找極小值)，並以此實現模型的迭代優化。
iou的計算(座標格式[left, top, right, bottom], 即bbox左上右下點座標):
xmin = max(pred_bbox[0], gt_bbox[0])
ymin = max(pred_bbox[1], gt_bbox[1])
xmax = min(pred_bbox[2], gt_bbox[2])
ymax = min(pred_bbox[3], gt_bbox[3])
w = np.maximum(xmax - xmin + 1., 0.)
h = np.maximum(ymax - ymin + 1., 0.)
# 交集
inters = w * h
# 並集
union = ((pred_bbox[2] - pred_bbox[0] + 1.) * (pred_bbox[3] - pred_bbox[1] + 1.) +
(gt_bbox[2] - gt_bbox[0] + 1.) * (gt_bbox[3] - gt_bbox[1] + 1.) - inters)
# 計算iou值
iou = inters / union
通過iou來評判兩個影象的重合度具有以下幾點優點：
具有尺度不變性；
滿足非負性；
滿足對稱性；
通過iou來評判兩個影象的重合度具有以下幾點缺點：
如果|a∩b|=0,也就是兩個影象沒有相交時，無法比較兩個影象的距離遠近；
無法體現兩個影象到底是如何相交的。
目標檢測中IoU計算
1.含義 iou即交並比 intersection over union 是真實的目標框ground truth與演算法 出來的目標框prediction之間差距的衡量指標。計算公式 iou a b a b 一般來說，iou值越大，說明 的越準確，通常取0.5作為閾值。2.python程式實現 de...
目標檢測評價指標（mAP P R曲線 IOU）
二 iou 交並比 真實情況 為正 為反 recall召回率正tp fnr tp tp fn 反fp tnprecision準確率 p tp tp fp 這四個字母看著真頭暈，就算看部落格當時理解了，過一會兒就忘了，所以決定整理一下，用特殊的方法記住他！後面的字母p positive 和n nega...
目標檢測之 IoU
iou 作為目標檢測演算法效能 map 計算的乙個非常重要的函式 但縱觀 iou 計算的介紹知識，都是直接給出 給出計算方法，沒有人徹底地分析過其中的邏輯，故本人書寫該篇部落格來介紹下其中的邏輯。iou 的全稱為交並比 intersection over union 通過這個名稱我們大概可以猜到 i...