常考题 | IoU 计算

IoU 的计算是面试时常考题，原理简单，但由于没有准备很可能会在面试时，无法正确写出来，今天我们就一起来好好写写。

在深度学习领域中，目标检测是一个活跃的研究课题。在一个图像/框架中的对象是检测一个简单的框周围绘制他们。在对象周围绘制框的任务称为边界框。边界框只是图像中对象的(x-y)坐标。这些坐标在图像中唯一定义对象。现在，图像中对象的边界框主要是手工标记的，可以称为 Ground Truth 框。深度学习模型预测了物体周围的一个边界框，称为预测边界框。

IOU 用于计算区域交集面积除于区域并集面积

帮助理解的图：

来源：https://blog.csdn.net/briblue/article/details/91366128

为了求交集，实际上是计算这两个点的坐标。

情况（1）

因为在计算IoU时， A 和 B沿着对角线互换位置并没不会改变最终的计算结果。

因此上述的四种情况，可以简化成两种来考虑，而另一种则可以计算下面两点的位置来计算交集面积

情况（2）

而实际上上面两种情况的计算方法时一样的。

具体代码：

# boxA 存储的是边界框的左上顶点坐标和右下顶点坐标
# boxA=[x1,y1,x2,y2]
def iou(boxA, boxB):
    # 计算重合部分的上下左右4个边的值，注意最大最小函数的使用
    left_max = max(boxA[0],boxB[0])
    top_max = max(boxA[1],boxB[1])
    right_min =  min(boxA[2], boxB[2])
    bottom_min = min(boxA[3], boxB[3])

    # 计算重合部分的面积
    inter = max(0,(right_min-left_max)) * max(0, (bottom_min-top_max)) # 宽*高
    Sa = (boxA[2]-boxA[0])*(boxA[3]-boxA[1])
    Sb = (boxB[2]-boxB[0])*(boxB[3]-boxB[1])

    # 计算所有区域的面积并计算 iou
    union = Sa+Sb-inter
    iou = inter/union
    return iou

if __name__ == "__main__":
    boxA = [0,0,5,5]
    boxB = [1,1,6,6]
    print(iou(boxA,boxB)) # inter = 16 union=34
    boxA = [0,0,5,5]
    boxB = [5,5,6,6]
    print(iou(boxA,boxB)) # inter = 0 union=26

IOU的一般门槛可以是0.5。这可能因问题的不同而不同。通常IOU>0.5被认为是一个很好的预测。示意图

参考链接

https://blog.csdn.net/briblue/article/details/91366128

https://medium.com/@nagsan16/object-detection-iou-intersection-over-union-73070cb11f6e

https://www.pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/