mindspore.ops.iou

mindspore.ops.iou(anchor_boxes, gt_boxes, mode='iou')

计算矩形的IOU，即真实区域和预测区域的交并比。

根据真实区域和预测区域计算IOU(intersection over union)或IOF(intersection over foreground)。

$$\begin{array}{r}\begin{array}{c}\text{IOU}=\frac{\text{Area of Overlap}}{\text{Area of Union}}\\ \text{IOF}=\frac{\text{Area of Overlap}}{\text{Area of Ground Truth}}\end{array}\end{array}$$

警告

在Ascend中，仅支持计算float16数据。为避免溢出，输入长度和宽度在内部按0.2缩放。

参数：

• anchor_boxes (Tensor) - 预测区域，shape为 $(N,4)$ 的Tensor。 $N$ 表示预测区域的数量， $4$ 表示预测区域的四个边界坐标"x0"、"y0"、"x1"和"y1"。数据类型为float16、float32或float64。

• gt_boxes (Tensor) - 真实区域，shape为 $(M,4)$ 的Tensor。 $M$ 表示地面真实区域的数量， $4$ 表示真实区域的四个边界坐标"x0"、"y0"、"x1"和"y1"。数据类型为float16、float32或float64。

• mode (str) - 指定计算方法，现支持 'iou' (intersection over union)或 'iof' (intersection over foreground)模式。默认值： 'iou' 。

返回：

Tensor，IOU/IOF的计算结果，shape为 $(M,N)$ 的Tensor，数据类型与 anchor_boxes 的相同。

异常：

• KeyError - mode 不是 'iou' 或 'iof' 。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> anchor_boxes = Tensor(np.random.randint(1.0, 5.0, [3, 4]), mindspore.float16)
>>> gt_boxes = Tensor(np.random.randint(1.0, 5.0, [3, 4]), mindspore.float16)
>>> mode = 'iou'
>>> output = ops.iou(anchor_boxes, gt_boxes, mode)
>>> print(output.shape)
(3, 3)