计算两个矩形框的交并比

1. 计算两个框（矩形框）的交并比（Intersection over Union，IoU）是目标检测任务中常用的操作，用于衡量两个框之间的重叠程度。下面是一个计算两个矩形框的IoU的Python示例函数：

def calculate_iou(box1, box2):
    """
    计算两个矩形框的交并比（IoU）

    参数:
        box1: 第一个矩形框，表示为 [x1, y1, x2, y2]，其中 (x1, y1) 是左上角坐标，(x2, y2) 是右下角坐标
        box2: 第二个矩形框，表示为 [x1, y1, x2, y2]

    返回:
        iou: 交并比（IoU）
    """
    # 计算交集的左上角和右下角坐标
    x1_inter = max(box1[0], box2[0])
    y1_inter = max(box1[1], box2[1])
    x2_inter = min(box1[2], box2[2])
    y2_inter = min(box1[3], box2[3])

    # 计算交集的面积
    intersection_area = max(0, x2_inter - x1_inter + 1) * max(0, y2_inter - y1_inter + 1)

    # 计算两个矩形框的面积
    area_box1 = (box1[2] - box1[0] + 1) * (box1[3] - box1[1] + 1)
    area_box2 = (box2[2] - box2[0] + 1) * (box2[3] - box2[1] + 1)

    # 计算并集的面积
    union_area = area_box1 + area_box2 - intersection_area

    # 计算交并比（IoU）
    iou = intersection_area / union_area

    return iou

# 使用示例
box1 = [0, 0, 3, 3]
box2 = [1, 1, 4, 4]
iou = calculate_iou(box1, box2)
print("交并比（IoU）:", iou)

2. 在这个示例中，首先计算了两个矩形框的交集面积和并集面积，然后通过将交集面积除以并集面积来计算IoU。这个函数可以用于计算两个任意矩形框的IoU。

计算多个预测框和真实框的交并比

import torch

def calculate_iou(box1, box2):
    """
    计算两个矩形框的交并比（IoU）

    参数:
        box1: 第一个矩形框，表示为 [x1, y1, x2, y2]，其中 (x1, y1) 是左上角坐标，(x2, y2) 是右下角坐标
        box2: 第二个矩形框，表示为 [x1, y1, x2, y2]

    返回:
        iou: 交并比（IoU）
    """
    # 变量
    x1, y1, x2, y2 = box1
    x1g, y1g, x2g, y2g = box2

    cx = (x1 + x2) / 2
    cy = (y1 + y2) / 2
    w = x2 - x1
    h = y2 - y1

    cxg = (x1g + x2g) / 2
    cyg = (y1g + y2g) / 2
    wg = x2g - x1g
    hg = y2g - y1g

    # A and B
    maxx1 = torch.maximum(x1, x1g)
    maxy1 = torch.maximum(y1, y1g)
    minx2 = torch.minimum(x2, x2g)
    miny2 = torch.minimum(y2, y2g)

    intersection_area = (minx2 - maxx1) * (minx2 - maxx1)
    intersection_area = intersection_area * torch.gt(minx2, maxx1) * torch.gt(minx2, maxx1)
    combined_area = (w * h) + (wg * hg) - intersection_area + eps
    iou = intersection_area / combined_area 

    return iou

# 使用示例
box1 = torch.tensor([50.0, 50.0, 150.0, 150.0])
box2 = torch.tensor([60.0, 60.0, 160.0, 160.0])
eps = torch.tensor(1e-7)  # epsilon值，用于避免除以零

iou = calculate_iou(box1, box2)
print("交并比（IoU）:", iou.item())

4. 在实际使用过程中还需要考虑被除数为0的情况。