深度学习中的IoU概念理解

<strong>1、什么是IoU(Intersection over Union)</strong>

IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。IoU是一个简单的测量标准，只要是在输出中得出一个预测范围(bounding boxex)的任务都可以用IoU来进行测量。为了可以使IoU用于测量任意大小形状的物体检测，我们需要：
<ul><li>ground-truth bounding boxes（人为在训练集图像中标出要检测物体的大概范围）</li>
<li>我们的算法得出的结果范围。</li></ul>

也就是说，这个标准用于测量真实和预测之间的相关度，相关度越高，该值越高。如下图所示。绿色标线是人为标记的正确结果（ground-truth），红色标线是算法预测的结果（predicted）。
<img width="600" src="http://imgtec.eetrend.com/files/2019-02/%E5%8D%9A%E5%AE%A2/100017616-59…; alt=""><br>

<strong>2、IoU的计算 </strong>

IoU是两个区域重叠的部分除以两个区域的集合部分得出的结果，通过设定的阈值，与这个IoU计算结果比较。
<img width="600" src="http://imgtec.eetrend.com/files/2019-02/%E5%8D%9A%E5%AE%A2/100017616-59…; alt=""><br>

举例如下：绿色框是准确值，红色框是预测值。
<img width="600" src="http://imgtec.eetrend.com/files/2019-02/%E5%8D%9A%E5%AE%A2/100017616-59…; alt=""><br>

来源：CSDN - <a href="">鬼 | 刀</a> （gaoyu1253401563的博客）
原文链接：https://blog.csdn.net/gaoyu1253401563/article/details/86484851