1. IOU的概要IoU全部被称为交并比(Intersection over Union )，是用于目标检测的概念。 IoU计算“预测的边界”和“真正的边界”的重复率，即它们的交叉和并集的比。 理想情况下完全重叠，即比为1。
2. IoU计算IoU等于“预测边界”与“真实边界”的交叉点与并集之比。 IoU的计算如下图所示。 B1是真正的边界，B2是预测边界。
3. IoU代码的实现包括两个框a和b，如下图所示。 A=[ax1，ay1，ax2，ay2]，B=[bx1，by1，bx2，qjdxf]。 接下来想计算a和b的交汇面积，a自己的面积和b自己的面积。 三个评价对象中最重要的是如何求出交叉面积(图中的红框)。
假设a和b相交，有交集。 此时，如何求出交叉框(红色框)左上角的坐标和右下角的坐标？ 发现a和b相交时，相交框(红色框)的左上角坐标为max ) a的左上角坐标，b的左上角坐标)，右下角为min(a的右下角坐标，b的右下角坐标)。 那么，如下。
那么，a和b不相交时，h和w的值必须小于0，不相交时，被减数必须小于减数。 所以为了鲁棒性，我们最终的交集是这样计算的：
这样，如果a和b不相交，则inter的值为0。 如果分子为0，则IoU为0。
Python代码：
defiou(box1，box2) : ' '的两个框(二维)的iou计算注意事项)框以左上为原点box:[x1，y2，x2，y2]，左上右下坐标(' ' h=max(0)0) box2[3]-max ) box1[1]，box2[1] (area _ box1=(box1[2]-box1[0] ) * (box1[3] - box1[1] ) ) h union=area _ box1area _ box2- interiou=inter/unionreturnioubox1=[ 0，0，2，2 ] box2=[ 1，1，3，3 ] iou=iou