如何计算一个img中多个边界框的IOU？答案

【问题标题】：How to calculate IOU for multiple bounding boxes in one img?如何计算一个img中多个边界框的IOU？
【发布时间】：2020-09-06 11:57:44
【问题描述】：

假设有一个物体检测任务。 img里有很多车。我需要做的是画框来检测这些汽车。其他人正在做同样的任务。我的结果是[car1,car2,car5,car6]，有人的结果是[car1,car3,car5,car5,car7]。（carx是这个img中#x cat的坐标）
我们俩都只检测到 img 中的部分汽车。
现在我想找到一种方法来评估我们的结果之间的相似性。
如果我们俩都只找到一辆车，那就容易了，

def cal_iou(coordinate_x, coordinate_y):
    polygon_x = geometry.Polygon(coordinate_x)
    polygon_y = geometry.Polygon(coordinate_y)
    intersection = polygon_x.intersection(polygon_y).area
    total_area = polygon_x.area + polygon_y.area - intersection
    if total_area > 0.0:
        return float(intersection / total_area)
    return 0.0

我可以计算两个 boxex 之间的 IoU。如果我们的结果中有多个盒子怎么办？我不知道其他结果中的哪个框应该与car1进行比较？我认为的另一种方法是在我的结果中获取所有区域，并与其他结果进行比较。但是我还没有找到一个好的方法来做到这一点。请给我一些建议

【问题讨论】：

标签： python opencv computer-vision object-detection

【解决方案1】：

box1 到 box2 之间的 IoU 与 box2 到 box1 相同。我大部分时间做的是计算所有的 IoU 并选择最高的。可以删除属于该 IoU 的 2 个框，并可以重复该过程。直到所有框都链接或最高IoU低于阈值

【讨论】：

【解决方案2】：

用一个盒子计算所有盒子然后，选择最好的盒子这是最近的盒子

【讨论】：

感谢 c k 的回答。通常，对于此类简短的回复，人们倾向于对问题使用评论。