目标检测交并比（IoU）理解

交并比（Intersection-over-Union，IoU）：

目标检测中使用的一个概念
是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率
即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。

基础知识：

交集：
集合论中，设A，B是两个集合，由所有属于集合A且属于集合B的元素所组成的集合，叫做集合A与集合B的交集，记作A∩B。

eg：
A={1,2,3} B={2,3,4}
A n B = {2,3}

并集：
给定两个集合A，B，把他们所有的元素合并在一起组成的集合，叫做集合A与集合B的并集，记作A∪B，读作A并B。
eg：
A={1,2,3} B={2,3,4}
A U B = {1,2,3,4}
图示

IOU：

python实现
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)

## 获取矩形框交集对应的左上角和右下角的坐标（intersection）
xx1 = np.max([xmin1, xmin2])
yy1 = np.max([ymin1, ymin2])
xx2 = np.min([xmax1, xmax2])
yy2 = np.min([ymax1, ymax2])

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

inter_area = (np.max([0, xx2-xx1])) * (np.max([0, yy2-yy1]))　#计算交集面积
iou = inter_area / (area1+area2-inter_area+1e-6)　＃计算交并比

return iou