yolo 算法中的IOU算法程序与原理解读

你如何判断对象检测算法运作良好呢？这里我们引进了IoU(Intersection over Union)

通过上面的图，我们可以知道loU衡量了两个边界框重叠地相对大小。如果你有两个边界框，你可以计算交集，计算并集，然后求两个数值的比值，

现在贴出python计算IOU代码：

def iou(box1, box2):"""Implement the intersection over union (IoU) between box1 and box2

    Arguments:
    box1 -- first box, list object with coordinates (x1, y1, x2, y2)
    box2 -- second box, list object with coordinates (x1, y1, x2, y2)
    """

    # Calculate the (y1, x1, y2, x2) coordinates of the intersection of box1 and box2. Calculate its Area.
    ### START CODE HERE ### (≈ 5 lines)
    xi1 = max(box1[0], box2[0])yi1 = max(box1[1], box2[1])xi2 = min(box1[2], box2[2])yi2 = min(box1[3], box2[3])inter_area = (yi2 - yi1) * (xi2 - xi1)### END CODE HERE ###

    # Calculate the Union area by using Formula: Union(A,B) = A + B - Inter(A,B)
    ### START CODE HERE ### (≈ 3 lines)
    box1_area = (box1[2] - box1[0]) * (box1[3] - box1[1])box2_area = (box2[2] - box2[0]) * (box2[3] - box2[1])union_area = box1_area + box2_area - inter_area### END CODE HERE ###

    # compute the IoU
    ### START CODE HERE ### (≈ 1 line)
    iou = inter_area / union_area### END CODE HERE ###

    return iou

这里可以看出上面坐标系对应的box1的x1,y1,x2,y2和box2的x1,y1,x2,y2。

    xi1 = max(box1[0], box2[0])yi1 = max(box1[1], box2[1])xi2 = min(box1[2], box2[2])yi2 = min(box1[3], box2[3])

这段程序相当于计算出了交集的坐标系，通过这个交集的坐标系，可以求出交集的面积：

   inter_area = (yi2 - yi1) * (xi2 - xi1)

然后分别计算box1,box2的面积：

   box1_area = (box1[2] - box1[0]) * (box1[3] - box1[1])box2_area = (box2[2] - box2[0]) * (box2[3] - box2[1])

现在计算box1与box2并集的面积，其为两个面积减去交集面积：

union_area = box1_area + box2_area - inter_area

最后计算IOU结果，交集面积/并集面积：

iou = inter_area / union_area

一般约定，在计算机检测任务中，如果，就说检测正确，如果预测器和实际边界框完美重叠，loU就是1，因为交集就等于并集。但一般来说只要，那么结果是可以接受的，看起来还可以。一般约定，0.5是阈值，用来判断预测的边界框是否正确。一般是这么约定，但如果你希望更严格一点，你可以将loU定得更高，比如说大于0.6或者更大的数字，但loU越高，边界框越精确。

本文参考：

1.http://www.ai-start.com/dl2017/html/lesson4-week3.html

2.https://blog.csdn.net/lanchunhui/article/details/71190055

yolo 算法中的IOU算法程序与原理解读相关推荐

java synthetic_Java 中冷门的 synthetic 关键字原理解读
看JAVA的反射时,看到有个synthetic ,还有一个方法isSynthetic() 很好奇,就了解了一下: 1.定义 Any constructs introduced by a Java co ...
卷积神经网络三:目标检测和yolo算法
1 目标定位对象检测,它是计算机视觉领域中一个新兴的应用方向,相比前两年,它的性能越来越好.在构建对象检测之前,我们先了解一下对象定位,首先我们看看它的定义. 图片分类任务我们已经熟悉了,就是算法遍 ...
目标检测-YOLO算法实现
注:此篇博文未经过仔细整理,几乎全文拷贝参考论文,写得并不清楚,仅用来博主未来自查.未免浪费读者时间,特此注明! 前段时间跟着吴恩达大牛的视频学了深度学习,做了课后的作业"YOLO算法实现自 ...
目标检测 /yolo算法原理的详解
前言谈到计算机视觉时,我们都会联想到图像分类,图像分类是计算机视觉最基本的任务之一,在图像分类的基础上,我们还有更复杂的任务,比如目标检测,物体定位,图像分割等,本文主要讲目标检测,目标检测是分类与 ...
电竞AI之视觉篇：YOLO算法在电竞中的应用（Darknet + TF)
转战米国,经过一段时间的调整和适应,终于有时间整理下最近做的一个项目.从infra到云到大数据到AI,各个领域都应该保持学习,技术的道路从来都不是一帆风顺. 1. 场景介绍 MOBA玩家都比较熟悉不论 ...
目标检测扩（六）一篇文章彻底搞懂目标检测算法中的评估指标计算方法（IoU（交并比）、Precision（精确度）、Recall（召回率）、AP（平均正确率）、mAP（平均类别AP））
基本在目标检测算法中会碰到一些评估指标.常见的指标参数有:IoU(交并比).Precision(精确度).Recall(召回率).AP(平均正确率).mAP(平均类别AP)等.这些评估指标是在评估 ...
YOLO算法最全综述：从YOLOv1到YOLOv5
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货作者:初识cv,编辑:极市平台来源丨https://zhuanlan. ...
YOLO算法史上最全综述：从YOLOv1到YOLOv5
作者:初识cv,编辑:极市平台来源丨https://zhuanlan.zhihu.com/p/136382095,侵删导读 YOLO系列是基于深度学习的回归方法,本文详细介绍了从YOLOv1至最新 ...
【CV】YOLO算法最全综述：从YOLOv1到YOLOv5
作者丨初识CV 来源丨https://zhuanlan.zhihu.com/p/136382095 编辑丨极市平台导读 YOLO系列是基于深度学习的回归方法,本文详细介绍了从YOLOv1至最新YOL ...

yolo 算法中的IOU算法程序与原理解读

你如何判断对象检测算法运作良好呢？这里我们引进了IoU(Intersection over Union)

yolo 算法中的IOU算法程序与原理解读相关推荐

最新文章

热门文章