尝试在Union上交叉

联合上的交集是一种评估指标，用于测量特定数据集上对象检测器的准确性。

更正式地讲，为了将“相交于联合”应用于评估（任意）对象检测器，我们需要：

1. 真实边界框（即来自测试集中的标有标签的边界框，用于指定对象在图像中的位置）。
2. 我们模型的预测边界框。

下面，我提供了一个真实的边界框与预测的边界框的可视示例：

预测边界框用红色绘制，而地面真相（即，手工标记）边界框用绿色绘制。

在上图中，我们可以看到我们的物体检测器已经检测到图像中存在停车标志。

因此，可以通过以下方式确定联合上的计算交叉口：

只要我们有这两套边界框，就可以将“相交”应用于“联合”。

这是Python代码

# import the necessary packages
from collections import namedtuple
import numpy as np
import cv2

# define the `Detection` object
Detection = namedtuple("Detection", ["image_path", "gt", "pred"])

def bb_intersection_over_union(boxA, boxB):
    # determine the (x, y)-coordinates of the intersection rectangle
    xA = max(boxA[0], boxB[0])
    yA = max(boxA[1], boxB[1])
    xB = min(boxA[2], boxB[2])
    yB = min(boxA[3], boxB[3])

    # compute the area of intersection rectangle
    interArea = (xB - xA) * (yB - yA)

    # compute the area of both the prediction and ground-truth
    # rectangles
    boxAArea = (boxA[2] - boxA[0]) * (boxA[3] - boxA[1])
    boxBArea = (boxB[2] - boxB[0]) * (boxB[3] - boxB[1])

    # compute the intersection over union by taking the intersection
    # area and dividing it by the sum of prediction + ground-truth
    # areas - the interesection area
    iou = interArea / float(boxAArea + boxBArea - interArea)

    # return the intersection over union value
    return iou

gt和pred是

1. gt ：真实边界框。
2. pred ：模型预测的边界框。

有关更多信息，您可以单击此帖子

1）您有两个重叠的边界框。您计算框的交点，即交叠的面积。您可以计算重叠框的并集，这是整个框的面积之和减去重叠面积。然后，将交集除以并集。在计算机视觉系统工具箱中有一个名为bboxOverlapRatio的函数 。

2）通常，您不想连接颜色通道。相反，您想要的是3D直方图，其中尺寸为H，S和V。