目标检测

2024-07-08 23:11| 来源: 网络整理| 查看: 265

在这里插入图片描述

常见IoU解读与代码实现一、✒️IoU（Intersection over Union）1.1 🔥IoU原理☀️ 优点⚡️缺点 1.2 🔥IoU计算1.3 📌IoU代码实现二、✒️GIoU（Generalized IoU）2.1 GIoU原理☀️优点⚡️缺点 2.2 🔥GIoU计算2.3 📌GIoU代码实现三、✒️DIoU（Distance-IoU）3.1 DIoU原理☀️优点⚡️缺点 3.2 DIoU计算3.3 📌DIoU代码实现四、✒️CIoU（Complete-IoU）4.1 CIoU原理☀️优点⚡️缺点 4.2 CIoU计算4.3 📌CIoU代码实现五、✒️EIOU（Efficient-IoU）5.1原理5.2 代码实现六、✒️Focal-EIOU6.1 原理☀️优点⚡️缺点 📌6.2 代码实现七、✒️SIOU（Soft Intersection over Union）7.1原理八、✒️Wise-IoU

一、✒️IoU（Intersection over Union） 1.1 🔥IoU原理

🚀交并比（IoU， Intersection over Union）是一种计算不同图像相互重叠比例的算法，经常被用于深度学习领域的目标检测或语义分割任务中。

在我们得到模型输出的预测框位置后，也可以计算输出框与真实框（Ground Truth Bound）之间的 IoU，此时，这个框的取值范围为 0～1，0 表示两个框不相交，1 表示两个框正好重合。

1-IOU 表示真实框与预测框之间的差异，如果用 1-IOU，这时的取值范围还是 0～1，但是变成了 0 表示两个框重合，1 表示两个框不相交，这样也就符合了模型自动求极小值的要求。因此，可以使用1-IOU来表示模型的损失函数（Loss 函数）。

🎯IoU 的定义如下：在这里插入图片描述

✨直观来讲，IoU 就是两个图形面积的交集和并集的比值在这里插入图片描述

☀️ 优点

使用IoU来计算预测框和目标框之间的损失有以下优点：

具有尺度不变性；满足非负性；满足对称性； ⚡️缺点

如果只使用IoU交并比来计算目标框损失的话会有以下问题：

预测框与真实框之间不相交的时候，如果|A∩B|=0，IOU=0，无法进行梯度计算；相同的IOU反映不出实际预测框与真实框之间的情况，虽然这三个框的IoU值相等，但是预测框与真实框之间的相对位置却完全不一样；在这里插入图片描述

也就是说，IoU 初步满足了计算两个图像的几何图形相似度的要求，简单实现了图像重叠度的计算，但无法体现两个图形之间的距离以及图形长宽比的相似性。

1.2 🔥IoU计算

上面介绍了IoU原理,下面是IoU简单计算的原理图，我们需要先计算出相交部分黄色的面积，然后再计算蓝框的面积与绿框围成面积的总和，然后计算两者的比值，如下：假设一个格子的面积是1，交集黄色部分的面积为2x2=4，蓝框与绿框围成面积总和为3x3+4x4-2x2=21，所以IOU=4/21=0.19;

在这里插入图片描述

在代码中并不是采用上面的计算方法，而是使用坐标进行计算，如下图，矩形 AC 与矩形 BD 相交，它们的顶点A、B、C、D，分别是：A(0,0)、B(3,2)、C(6,8)、D(9,10) 在这里插入图片描述 📟此时 IoU 的计算公式应为：带入 A、B、C、D 四点的实际坐标后，可以得到：

1.3 📌IoU代码实现 import numpy as np def IoU(box1, box2): # 计算中间矩形的宽高 in_w = min(box1[2], box2[2]) - max(box1[0], box2[0]) in_h = min(box1[3], box2[3]) - max(box1[1], box2[1]) # 计算交集、并集面积 inter = 0 if in_w

【本文地址】

公司简介

联系我们