mindspore.ops.IOU
- class mindspore.ops.IOU(mode='iou')[源代码]
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)。
\[ \begin{align}\begin{aligned}\text{IOU} = \frac{\text{Area of Overlap}}{\text{Area of Union}}\\\text{IOF} = \frac{\text{Area of Overlap}}{\text{Area of Ground Truth}}\end{aligned}\end{align} \]Warning
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:
mode (string) - 指定计算方法,现支持’iou’(intersection over union)或’iof’(intersection over foreground)模式。默认值:’iou’。
输入:
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”x0”、”y0”、”x1”和”y1”。数据类型为float16或float32。
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”x0”、”y0”、”x1”和”y1”。数据类型为float16或float32。
输出:
IOU值的Tensor,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:
>>> iou = ops.IOU() >>> 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) >>> output = iou(anchor_boxes, gt_boxes) >>> print(output.shape) (3, 3)