1. 目标检测中两个重要的概念:IOU和NMS

1, 具体来说，它是两边界框相交部分面积与相并部分面积之比，如下所示：

2.原理

这里详细解释一下计算的原理：
一般来说我们给定框的坐标有两种形式：
[x,y,w,h] (或者说是[x,y,h,w] 原理一样) 其中这里的x,y代表框的中心坐标，w代表宽，h代表高度。那么我们用中心坐标分别加上（减去）w/2和h/2就能把框四个角的坐标求出来。
[x1,y1,x2,y2] x1,y1代表左上角的顶点坐标，x2,y2代表右下角的坐标。也就是把对角的两个坐标给出。两种形式计算IoU的区别不大，以第一种形式为例子：

我们想要把两个框相交区域的面积（即深蓝色区域）S求出来，那么就要知道这个区域的宽和高，也就是图中的w和h。首先，我们根据给的[x,y,w,h] 坐标框可以把两个框的所有坐标计算出来：

看上图的两个虚线框，虚线框将两个框的上边线（下边线）框在了一起，要求h，我们只需要看Y轴方向，两条上边线的Y坐标分别是4（篮框）和3（黄框），两者取小即Ymax=3，同理下边线要取大即Ymin=2，很明显：
h=Ymax-Ymin=1，w同理。总结就是上取小下取大，右取小左取大，

IOU全名为（Intersection over Union），又称为交并比，通常被应用在目前目标检测算法的评价中，IOU值越高，说明算法对目标的预测精度越高，下面本文将以图的方式来解释IOU的定义。
假设A是真实框（人为标记的框），C为预测框（目标检测算法预测的框），B为真实框A和预测框C的交集。
IOU的计算公式为：

IOU值越大，代表预测框和真实框的重叠面积越大，说明预测框预测的越为精准，此预测框的参数可以更好的代表该目标物在图像中的位置。

上图中黑框1代表的是人工标记真实框，红框2和黄框3分别是不同目标检测算法确定的预测框，其中预测狂3和真实框1的IOU值大于预测狂2和真实框1的IOU值，说明确定预测框3的目标检测算法较确定预测框2的目标检测算法精度高。
IOU虽然可以用来检测算法性能的好坏，但是其存在一些弊端，如下图，当预测框3太大时，此时框3的IOU和框2的IOU一样大，但是框2和框3所对应的目标检测算法性能却不相同。

3.IoU计算

下面我来带大家手动计算一下IoU：

如上图所示，黄色矩形与蓝色矩形相交，他们的顶点A、B、C、D分别是：

A：(0,0） B:(3,2) C:(6,8) D:(9,10)

此时IoU的计算公式应为：

所以，别看两个矩形相交了不少，但IoU的值其实只有0.23。

4. NMS

NMS也即非极大值抑制

所谓非极大值抑制：依靠分类器得到多个候选框，以及关于候选框中属于类别的概率值，根据分类器得到的类别分类概率做排序，具体算法流程如下：

（1）将所有框的得分排序，选中最高分及其对应的框
（2）遍历其余的框，如果和当前最高分框的重叠面积(IOU)大于一定阈值，我们就将框删除。（为什么要删除，是因为超过设定阈值，认为两个框的里面的物体属于同一个类别，比如都属于狗这个类别。我们只需要留下一个类别的可能性框图即可。）
（3）从未处理的框中继续选一个得分最高的，重复上述过程。

举例说明：（1）（2），这里设定交并比>=0.6就删除对比框图，留下最高分的框图；对于低于阈值的框图留下，然后在剩下的框图中排序，选出置信度值高的框图，然后重复交并比比较这个过程。
（1）选出Dog这个框图

依次类推,最终保留一个置信度最大的值的框.