【Datawhale组队学习202506】YOLO-Master task03 IOU总结

系列文章目录

task01 导学课程
task02 YOLO系列发展线

---

---

前言

• Datawhale是一个专注于AI与数据科学的开源组织，汇集了众多领域院校和知名企业的优秀学习者，聚合了一群有开源精神和探索精神的团队成员
• YOLO-Master
• 本章学习资料

---

1 功能分块

1.1 骨干网络 Backbone

• 它的任务是把一张图片的关键信息浓缩出来，比如形状、纹理、颜色等特征，就像把水果榨成汁一样，保留精华，去掉多余水分（无关背景）。

1.2 颈部网络 Neck

1.3 头部网络 Head

1.3.1 边界框回归头

1.3.2 分类头

---

2 关键概念

---

3 典型算法

3.1 NMS

3.2 IoU

IoU（Intersection over Union）：衡量两个边界框（Bounding Box）之间重叠程度和匹配度，常用于目标检测任务中评估预测框 Predicted Box与真实框 Ground Truth Box的匹配度。相比于 Jaccard Index

• 其值范围在$$[0,1]$$，1 表示完全重叠，0 表示无重叠。

• 数学定义：

$$\mathrm{IoU}=\frac{交集面积}{并集面积}$$

• 即：

$$\text{IoU}=\frac{A_{\text{inter}}}{A_{\text{union}}}=\frac{A_{\text{inter}}}{A_{\text{box1}}+A_{\text{box2}}-A_{\text{inter}}}$$

• 计算步骤：

1. 交集坐标
   • 左上角：取两框左上坐标的较大值
   • 右下角：取两框右下坐标的较小值
   • 若右下坐标 < 左上坐标，则交集面积为 0

$$x_{\text{LeftTop}}=\max (x_1^a,x_1^b),y_{\text{LeftTop}}=\min (y_1^a,y_1^b)$$
$$x_{\text{RightBottom}}=\min (x_2^a,x_2^b),y_{\text{RightBottom}}=\max (y_2^a,y_2^b)$$

2. 面积计算

   • 交集面积 = $$\max (0,x_{\text{RightBottom}}-x_{\text{LeftTop}})\times \max (0,y_{\text{RightBottom}}-y_{\text{LeftTop}})$$
   • 并集面积 = 框1面积 + 框2面积 - 交集面积

• 代码实践

import matplotlib.pyplot as plt
import matplotlib.patches as pts# 现在定义一个函数，接收两个参数，都是两个点坐标，以数组的形式
def calculate_iou(box1, box2):"""计算两个边界框之间的 IoU (Intersection over Union)参数:box1: 第一个边界框，格式为 [x1, y1, x2, y2]box2: 第二个边界框，格式为 [x1, y1, x2, y2]返回:iou: 两个边界框之间的 IoU 值"""# 解析边界框坐标x1_box1, y1_box1, x2_box1, y2_box1 = box1x1_box2, y1_box2, x2_box2, y2_box2 = box2# 确保坐标的有效性assert x1_box1 < x2_box1, f"无效的 box1 x坐标: {x1_box1} >= {x2_box1}"assert y1_box1 < y2_box1, f"无效的 box1 y坐标: {y1_box1} >= {y2_box1}"assert x1_box2 < x2_box2, f"无效的 box2 x坐标: {x1_box2} >= {x2_box2}"assert y1_box2 < y2_box2, f"无效的 box2 y坐标: {y1_box2} >= {y2_box2}"# 计算交集区域的坐标x_left = max(x1_box1, x1_box2)y_top = max(y1_box1, y1_box2)x_right = min(x2_box1, x2_box2)y_bottom = min(y2_box1, y2_box2)# 检查是否有交集if x_right < x_left or y_bottom < y_top:return 0.0# 计算交集区域面积intersection_area = (x_right - x_left) * (y_bottom - y_top)# 计算两个边界框各自的面积area_box1 = (x2_box1 - x1_box1) * (y2_box1 - y1_box1)area_box2 = (x2_box2 - x1_box2) * (y2_box2 - y1_box2)# 计算并集区域面积union_area = area_box1 + area_box2 - intersection_area# 计算IOU，并避免除零错误if union_area == 0:iou = 0else:iou = intersection_area / union_areareturn iou# 定义一个函数，根据坐标画出两个框
def plot_boxes(box1, box2):fig, ax = plt.subplots()# 绘制第一个框rect1 = pts.Rectangle((box1[0], box1[1]), box1[2]-box1[0], box1[3]-box1[1], linewidth=1, edgecolor='r', facecolor='none')ax.add_patch(rect1)# 绘制第二个框rect2 = pts.Rectangle((box2[0], box2[1]), box2[2]-box2[0], box2[3]-box2[1], linewidth=1, edgecolor='b', facecolor='none')ax.add_patch(rect2)# 设置坐标轴范围ax.set_xlim(0, 100)ax.set_ylim(0, 100)# 显示图像plt.show()# 测试用例
if __name__ == "__main__":# # 测试1: 完全重叠box_a = [10, 10, 50, 50]# box_b = [10, 10, 50, 50]# iou = calculate_iou(box_a, box_b)# print(f"测试1 (完全重叠): IoU = {iou:.2f} (预期: 1.00)")# 测试2: 部分重叠box_c = [20, 20, 60, 60]iou = calculate_iou(box_a, box_c)print(f"测试2 (部分重叠): IoU = {iou:.2f} (预期: 0.47)")# 绘制框plot_boxes(box_a, box_c)

• 效果图
  

---

总结

• 分段介绍YOLO的框架和基本原理。