mindspore.ops.iou

mindspore.ops.iou(anchor_boxes, gt_boxes, 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)。

\[ \begin{align}\begin{aligned}\text{IOU} = \frac{\text{Area of Overlap}}{\text{Area of Union}}\\\text{IOF} = \frac{\text{Area of Overlap}}{\text{Area of Ground Truth}}\end{aligned}\end{align} \]

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”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”x0”、”y0”、”x1”和”y1”。数据类型为float16、float32或float64。

  • 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’。

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：

>>> 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)