Fork me on GitHub

交并比IOU(Intersection over Union)

发表于 | 分类于 | | 次阅读
IOU指两个矩形框面积的交集和并集的比值，它是一个在特定数据集中检测相应物体准确度的测量标准。

基本原理

IOU是在目标检测中使用的一个概念，是产生的预测框(Predicted bounding box)与标注框(Ground-truth bounding box)的重叠率；简单来说，即两个矩形框面积的交集和并集的比值；它是一个在特定数据集中检测相应物体准确度的测量标准。通常会在HOG + Linear SVM object detectors和Convolutional Neural Network detectors (R-CNN, Faster R-CNN, YOLO 等)中使用该方法检测其性能。
IOU是一个简单的测量标准，在输出中得出一个预测范围(bounding box)的任务都可以用IOU来测量。其用于测量真实和预测之间的相关度，相关度越高，该值越高。

上图展示了ground-truth和predicted的结果，绿色标线是人为标记的正确结果，红色标线是算法预测出来的结果，IOU要做的就是在这两个结果中测量算法的准确度。


一般来说，这个比值 ＞ 0.5 就可以认为是一个不错的结果了。

Python源码实现

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
import numpy as np
def compute_iou(box1, box2, wh=False):
    """
    compute the iou of two boxes.
    args:
        box1, box2: [xmin, ymin, xmax, ymax] (wh=False) or [xcenter, ycenter, w, h] (wh=True)
        wh: the format of coordinate.
    return:
        iou: iou of box1 and box2.
    """
    if wh == False:
        xmin1, ymin1, xmax1, ymax1 = box1
        xmin2, ymin2, xmax2, ymax2 = box2
    else:
        xmin1, ymin1 = int(box1[0] - box1[2] / 2.0), int(box1[1] - box1[3] / 2.0)
        xmax1, ymax1 = int(box1[0] + box1[2] / 2.0), int(box1[1] + box1[3] / 2.0)
        xmin2, ymin2 = int(box2[0] - box2[2] / 2.0), int(box2[1] - box2[3] / 2.0)
        xmax2, ymax2 = int(box2[0] + box2[2] / 2.0), int(box2[1] + box2[3] / 2.0)

	## 计算两个矩形框面积
    area1 = (xmax1 - xmin1) * (ymax1 - ymin1)
    area2 = (xmax2 - xmin2) * (ymax2 - ymin2)

    ## 获取矩形框交集对应的左上角和右下角的坐标（intersection）
    inter_x1 = np.max([xmin1, xmin2])
    inter_y1 = np.max([ymin1, ymin2])
    inter_x2 = np.min([xmax1, xmax2])
    inter_y2 = np.min([ymax1, ymax2])

    inter_area = (np.max([0, inter_x2 - inter_x1])) * (np.max([0, inter_y2 - inter_y1]))　# 计算交集面积
    iou = inter_area / (area1 + area2 - inter_area + 1e-6)　＃ 计算交并比

    return iou
0%