本篇总结Loss Function中的IoU系列代码。

1. IoU

交并集，两个框交集面积除以并集面积。（论写写画画的重要性）（找原文看看）

"""
box1[x1, y1, x2, y2]
box2[x1, y1, x2, y2]
return iou
"""
def iou(box1, box2):# Intersectionw = max(0, min(box1[2], box2[2])-max(box1[0], box2[0]))h = max(0, min(box1[3], box2[3])-max(box1[1], box2[1]))# Unions1 = (box1[2]-box1[0]) * (box1[3]-box1[1])s2 = (box2[2]-box2[0]) * (box2[3]-box2[1])return (w*h)/(s1+s2-w*h)

 IoU的问题：

（1）在检测框和目标框完全不重叠时，IoU为0，无法衡量两个框的距离远近，损失函数不可导，无法优化；

（2）两个检测框相同，IoU也相同时，无法衡量两者和目标框相交情况的不同（这点一定要区分吗？）。

2. GIoU

 公式：

 

 其中C表示最小外接矩形面积，U表示并集面积。

（找原文看看）

"""
box1[x1, y1, x2, y2]
box2[x1, y1, x2, y2]
return giou
"""
def giou(box1, box2):# Intersectionw = max(0, min(box1[2], box2[2])-max(box1[0], box2[0]))h = max(0, min(box1[3], box2[3])-max(box1[1], box2[1]))# Unions1 = (box1[2]-box1[0]) * (box1[3]-box1[1])s2 = (box2[2]-box2[0]) * (box2[3]-box2[1])union = s1+s2-w*hiou = (w*h)/union# area of minimun rectangularx1 = min(box1[0], box2[0])x2 = max(box1[2], box2[2])y1 = min(box1[1], box2[1])y2 = max(box1[3], box2[3])c = (x2-x1) * (y2-y1)return iou-(c-union)/c

疑问：当两个检测框大小相同，和目标框的IoU相同时，GIoU更倾向于使检测框和目标框在x或y方向上平行，这样合理吗？