一.IoU的简介及原理解析

IoU的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到IoU的计算方法。IoU计算的是 “预测的边框”和“真实的边框”的交集和并集的比值。

开始计算之前，我们首先进行分析下交集和并集到底应该怎么计算：我们首先需要计算交集，然后并集通过两个边框的面积的和减去交集部分即为并集，因此IoU的计算的难点在于交集的计算。
交集共有如下6种情况（左上，左下，右上，右下，包含，互不相交）：

计算交集即为求解交集的边长。
这里，设左上角的点的坐标为(a,b)，右下角的点的坐标为(c,d)，则box1为(a1,c1,b1,d1),box2为(a2,c2,b2,d2)
则交集宽的计算为：

$$w=min(c1,c2)-max(a1,a2)$$

同理，交集高的计算为：

$$w=min(b1,b2)-max(d1,d2)$$

w>0,h>0时，交集的面积为：

$$s=h\ast w$$

二.yolov系列中的IOU

如上图所示，绿色框为标注框，是在标注数据集时人为标注的框；红色框为预测框，是训练的模型预测出的预测框；中间的橙色区域则为两个框的重合区域。而判断这个模型预测框预测的准不准，就要看IOU了：

IOU越接近于0，两框重叠越少，预测效果越差；

IOU越接近于1，两框的重叠程度越高，当IOU等于1时，两框完全重叠，预测效果好。