目标检测中有一个很重要的概念便是IOU
那么什么是IOU？
IOU是一种评价目标检测器的指标。
下图是一个示例：图中绿色框为实际框，红色框为预测框，当我们需要判断两个框之间的关系时，需要用什么指标呢？
此时便需要用到IOU。
计算IOU的公式为：
可以看到IOU是一个比值，即交并比。
在分子部分，值为预测框和实际框之间的重叠区域；
在分母部分，值为预测框和实际框所占有的总区域。
交区域和并区域的比值，就是IOU。
那么我们为什么要用IOU？
目标检测任务的结果是框的锁定，
因此当我们输入图片时，模型应该给出一个推测，也就是它认为在照片中哪些地方有物体，以及物体的范围。由此，模型推测的结果和目标之间就会出现一个误差，而评价这个误差程度的方法就是IoU。
Iou是一种评价指标，让我们能够比较不同的目标检测任务或者模型的优劣。
问题：给出两个矩形框，请计算出它们两个的IOU。
实现代码：
import cv2 import numpy as np def CountIOU(RecA, RecB): xA = max(RecA[0], RecB[0]) yA = max(RecA[1], RecB[1]) xB = min(RecA[2], RecB[2]) yB = min(RecA[3], RecB[3]) # 计算交集部分面积 interArea = max(0, xB - xA + 1) * max(0, yB - yA + 1) # 计算预测值和真实值的面积 RecA_Area = (RecA[2] - RecA[0] + 1) * (RecA[3] - RecA[1] + 1) RecB_Area = (RecB[2] - RecB[0] + 1) * (RecB[3] - RecB[1] + 1) # 计算IOU iou = interArea / float(RecA_Area + RecB_Area - interArea) return iou img = np.zeros((512,512,3), np.uint8) img.fill(255) RecA = [50,50,300,300] RecB = [60,60,320,320] cv2.rectangle(img, (RecA[0],RecA[1]), (RecA[2],RecA[3]), (0, 255, 0), 5) cv2.rectangle(img, (RecB[0],RecB[1]), (RecB[2],RecB[3]), (255, 0, 0), 5) IOU = CountIOU(RecA,RecB) font = cv2.FONT_HERSHEY_SIMPLEX cv2.putText(img,"IOU = %.2f"%IOU,(130, 190),font,0.8,(0,0,0),2) cv2.imshow("image",img) cv2.waitKey() cv2.destroyAllWindows()
![深度学习应用篇-计算机视觉-目标检测[4]：综述、边界框bounding box、锚框（Anchor box）、交并比、非极大值抑制NMS、SoftNMS](https://ucc.alicdn.com/fnj5anauszhew_20230608_6bd2e5b4d75d4e09ac0f28a3b000951f.png?x-oss-process=image/resize,h_160,m_lfit)
