Python目标检测中IOU概念解析与代码实现

林见深

发布时间：2026-10-15 | 5人浏览过

原创

本文深入解析目标检测核心指标IOU（交并比），阐述其作为预测框与真实框重叠程度评估工具的作用。通过公式拆解分子（交集）与分母（并集），说明IOU如何量化匹配质量。附带Python OpenCV完整代码，演示矩形框绘制及IOU计算过程，帮助开发者理解并应用该评估标准。

学习前言

神经网络的应用领域广泛，目标检测是其中关键的一环。在目标检测任务中，IOU是一个至关重要的基础概念。

什么是IOU

IOU（Intersection over Union）是用于评估目标检测器性能的核心指标。

参考下图示例：图中绿色矩形代表真实标注框（Ground Truth），红色矩形代表模型预测框。当需要量化这两个框之间的空间关系时，必须引入特定的评估指标。

此时，IOU便成为必要的计算工具。

IOU的计算公式如下所示：

从公式可以看出，IOU本质上是一个比值，即交集面积与并集面积的比率。

在公式的分子部分，数值代表预测框与真实框之间的重叠区域面积。

在公式的分母部分，数值代表预测框与真实框所覆盖的总区域面积（即两个框面积的并集）。

因此，IOU即为重叠区域面积与总覆盖区域面积的比值。

IOU的特点

与图像分类任务不同，目标检测要求预测框的坐标尽可能贴近真实框坐标。由于坐标完全精确匹配在实际中极难实现，因此需要定义如IOU这样的评估指标，以奖励那些与真实框匹配度较高的预测结果。

全部代码

本文将通过Python代码绘制两个矩形框，并计算它们之间的IOU值。

运行效果如下所示：

import cv2
import numpy as np
def CountIOU(RecA, RecB):
    xA = max(RecA[0], RecB[0])
    yA = max(RecA[1], RecB[1])
    xB = min(RecA[2], RecB[2])
    yB = min(RecA[3], RecB[3])
    # 计算交集部分面积
    interArea = max(0, xB - xA + 1) * max(0, yB - yA + 1)
    # 计算预测值和真实值的面积
    RecA_Area = (RecA[2] - RecA[0] + 1) * (RecA[3] - RecA[1] + 1)
    RecB_Area = (RecB[2] - RecB[0] + 1) * (RecB[3] - RecB[1] + 1)
    # 计算IOU
    iou = interArea / float(RecA_Area + RecB_Area - interArea)
    return iou
img = np.zeros((512,512,3), np.uint8)   
img.fill(255)
RecA = [50,50,300,300]
RecB = [60,60,320,320]
cv2.rectangle(img, (RecA[0],RecA[1]), (RecA[2],RecA[3]), (0, 255, 0), 5)
cv2.rectangle(img, (RecB[0],RecB[1]), (RecB[2],RecB[3]), (255, 0, 0), 5)
IOU = CountIOU(RecA,RecB)
font = cv2.FONT_HERSHEY_SIMPLEX
cv2.putText(img,"IOU = %.2f"%IOU,(130, 190),font,0.8,(0,0,0),2)
cv2.imshow("image",img)
cv2.waitKey()
cv2.destroyAllWindows()

以上就是Python目标检测中IOU概念与示例的详细内容，更多关于Python目标检测IOU的资料请关注本站其它相关文章！