iou 为面积的交并比，在目标检测中非常常见，英文为 Intersection-over-Union。
图示:
计算格式:
python 代码:
class IOU: def calc_iou(self, bbox1, bbox2): """ calc iou :param bbox1: (x1,y1,x2,y2) :param bbox2: (x1,y1,x2,y2) :return: """ w_1 = abs(bbox1[0] - bbox1[2]) h_1 = abs(bbox1[1] - bbox1[3]) area_1 = w_1 * h_1 w_2 = abs(bbox2[0] - bbox2[2]) h_2 = abs(bbox2[1] - bbox2[3]) area_2 = w_2 * h_2 min_x_1 = min(bbox1[0], bbox1[2]) min_y_1 = min(bbox1[1], bbox1[3]) max_x_1 = max(bbox1[0], bbox1[2]) max_y_1 = max(bbox1[1], bbox1[3]) min_x_2 = min(bbox2[0], bbox2[2]) min_y_2 = min(bbox2[1], bbox2[3]) max_x_2 = max(bbox2[0], bbox2[2]) max_y_2 = max(bbox2[1], bbox2[3]) overlap_min_x = max(min_x_1, min_x_2) overlap_min_y = max(min_y_1, min_y_2) overlap_max_x = min(max_x_1, max_x_2) overlap_max_y = min(max_y_1, max_y_2) overlap_w = max(0, overlap_max_x - overlap_min_x) overlap_h = max(0, overlap_max_y - overlap_min_y) overlap_area = overlap_w * overlap_h iou = overlap_area / (area_1 + area_2 - overlap_area) return iou
学习深度学习有一段时间了，大概一年，也算入门了，后面有时间慢慢给大家介绍。
今天给大家介绍下 BoundingBox 坐标和 Rect 坐标的区别。 BoundingBox
BoundingBox 在目标检测（Object Detecting） 领域很常见，刚开始的时候，一直以为 (0,0) 坐标原点在左下角，正确的应该是在左上角，如下图所示：
BoundingBox 可简写为 bbox，有两个坐标 (xmin, ymin) (xmax, ymax)，即左上角 和 右下角的两个点，对应图中的 (x1, y1) (x2, y2) 。
Rect
Rect 坐标是只有一个坐标点，然后有宽度（width），高度（height）的值，如下图所示：
这两种矩形标示法在机器学习领域都经常见到，没有好坏之分，殊途同归，且可以互相转化，如果设计 API 的话，个人认为选哪个都可以。
很简单，明白了吧 ~
BTW: 这篇文章是深度学习相关的第一篇文章，也是我第一次在微信公众号中写文章。这个微信公众号申请很久了，在2013年5月就申请了，还可以看到一个推送的表情 。为什么在微信公众号中写，以后 Blog 中不写了吗 ？Blog 中还会写，在微信公众号里写，1是为了增加文章的分发渠道，2是为了熟悉下微信公众号，因为后面还准备增加小程序。