YOLO v2目标检测详解二 计算iou

IoU 作为目标检测算法性能 mAP 计算的一个非常重要的函数。

IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。常见的两个框的交集情况有以下六种

iou的计算方式是：重叠面积/（总面积-重叠面积）

就按照yolo v2常用数据进行举例

假设重复部分面积为31*31，两个小格子面积都为32*32，那么iou=31*31/(32*32*2-31*31)。

如果需要进行人工计算的话，分别讨论六种情况是一件非常麻烦的事，因此在Torchvision中提供了相对应的工具计算iou

可以直接使用torchvision中的ops工具进行计算

工具中的计算方法和我们人工计算时有一点不同，不同点在于：我们手工计算的时候会进行一个加1操作，而工具不会，比如上面的情况在计算iou时，iou = 30*30/(31*31*2-30*30)。可以先使用自带的工具进行计算，如果效果不太理想，再进行手工操作。

 

在yolo v2中，需要先进行移动边框的操作。

假设黑色格子是图片上按照比例划分的小格子，红色的框则是我们标注的数据集的检测目标的区域，黑色的点是黑色框的中心，红色的点是红色框的中心， 红色的点一定在黑色框中。在进行iou计算时，需要将红色框的中心和黑色框的中心重合。如下所示

#传入标注的目标区域值，xmin,ymin,xmax,ymax
def move_gts(gts):

    xmin,ymin,xmax,ymax = gts[:, 0], gts[:, 1], gts[:, 2], gts[:, 3]
    #获取标注的目标框的中心比例
    x, y = (xmin + xmax + 1) / 64, (ymin + ymax + 1) / 64
    x, y = x - x.int(), y - y.int()
    #获得偏移的x,y
    shift_x, shift_y = (0.5 - x) * 32, (0.5 - y) * 32
    #返回调整后的坐标
    return torch.stack([xmin + shift_x, ymin + shift_y, xmax + shift_x, ymax + shift_y], dim=0).t()

 可以使用下面的代码进行测试是否移动正确

  gts = [
        [-4, -4, 27, 27],
        [36, 28, 67, 59],
        [-4, 36, 27, 67],
        [36, 36, 67, 67]
    ]
    gts = torch.Tensor(gts)
    print(move_gts(gts))

移动操作结束之后进行iou的计算操作，我们可以直接使用自带的工具进行计算

# 传入yolo格式的anchor和box格式的gts
def iou_mat(yolo_anchor, gts, w_n, cell_anchor_num=5):
    batch_size, anchor_num, gt_num = gts.shape[0], yolo_anchor.shape[0], gts.shape[1]
    #使用原来的方法，将yolo格式的anchor改成box类型
    anchors = yolo2box(yolo_anchor,w_n,cell_anchor_num)
    iou = torch.zeros(batch_size,anchor_num,gt_num)
    for i in range(batch_size):
        iou[i,:,:] = ops.box_iou(anchors,gts[i])
    return iou

到此计算完毕