YOLO 中的 Intersection Over Union (IOU) 地面实况

Question

我试图理解 YOLO 中 IOU 的概念。我读到它是预测边界框和真实边界框之间的重叠区域。这是训练数据所必需的，并且您可以手动放置地面实况边界框。我的问题是，如果你想在新图像上应用 YOLO，它如何知道真实边界框？

Answer 1

如果我们有两个边界框，那么 IoU 定义为

[来源]

它有两个用途：

1. 它帮助我们对模型预测的准确性进行基准测试。使用它，我们可以计算出预测的边界框与地面真实边界框的重叠程度。IoU 越高，性能越好。 结果可以解释为

2. 它可以帮助我们删除同一对象的重复边界框。为此，我们按置信度降序对所有预测/对象进行排序。如果两个边界框指向同一个对象，它们的 IoU 肯定会非常高。在这种情况下，我们选择置信度较高的框（即第一个框）并拒绝第二个框。如果 IoU 非常低，这可能意味着两个盒子指向同一类的不同对象（例如同一张图片中的不同狗或不同猫）。

您所指的是第一部分，检查模型/预测的准确性。应该注意的是，此步骤是在学习阶段，特别是在训练完成时完成的。数据集分为训练集和验证集。验证数据集是用于检查性能的数据集，正如您所说，地面实况框是由用户手动提供的。

这不是在模型完成训练并正在使用/部署后完成的。这时，我们使用IoU的第二个应用，并用它来去除重复的边界框。