IOU的计算

1. 定义

IOU(Intersection over Union)即交并比，是目标检测中衡量目标检测算法准确度的一个重要指标，顾名思义，即交集与并集的比值。

数据的标签通常是目标框的信息，如：x,y,w,h。

ground truth 所在的框是一个目标真实label,而bounding box 就是目标检测算法预测的目标的label。如果两个框能完全重合，那么就说明目标检测算法预测结果完全正确，但通常这是不可能，目标框的预测实际是回归问题，回归问题的损失函数再怎么迭代更新，都不可能等于0。

用IOU阈值来判定预测的bounding box是否有效。一般阈值会设定在0.5，

• IOU>=0.5时，我们会把这个预测的bounding box 归为正类，
• IOU<0.5的归为负类。再将正类的bounding box拿去回归训练。

2. 计算

如上图示，ground truth的坐标为（x0,y0,w0,h0)，bounding box的坐标分别为（x1,y1,w1,h1)，则交集和并集的大小为

union_all_w = max((x0+w0),(x1+w1))-min(x0,x1) # 两个重叠矩形的重叠部分的总宽度

W = w0+w1-union_all_w # 重叠部分的宽度

H = h0+h1-(max((y0+h0),(h1+h1))-min(y0,y1))

Intersection = WH

Union = w0h0 + w1*h1 -Intersection

def compute_iou(gt_box,b_box):
    '''
    计算iou
    :param gt_box: ground truth gt_box = [x0,y0,x1,y1]（x0,y0)为左上角的坐标（x1,y1）为右下角的坐标
    :param b_box: bounding box b_box 表示形式同上
    :return: 
    '''
    width0=gt_box[2]-gt_box[0]  # 矩形的宽度
    height0 = gt_box[3] - gt_box[1]  # 矩形的高度
    width1 = b_box[2] - b_box[0]
    height1 = b_box[3] - b_box[1]
    max_x =max(gt_box[2],b_box[2])
    min_x = min(gt_box[0],b_box[0])
    width = width0 + width1 -(max_x-min_x)
    max_y = max(gt_box[3],b_box[3])
    min_y = min(gt_box[1],b_box[1])
    height = height0 + height1 - (max_y - min_y)
 
    interArea = width * height
    boxAArea = width0 * height0
    boxBArea = width1 * height1
    iou = interArea / (boxAArea + boxBArea - interArea)
    return iou
           

reference：

https://blog.csdn.net/weixin_42631693/article/details/90747516