iou_similarity¶

paddle.fluid.layers. iou_similarity ( x, y, box_normalized=True, name=None ) [源代码] ¶

IOU Similarity Operator

计算两个框列表的intersection-over-union(IOU)。框列表 $X$ 应为LoDTensor， $Y$ 是普通张量， $X$ 成批输入的所有实例共享 $Y$ 中的框。给定框A和框B，IOU的运算如下：

$IOU(A, B) = \frac{area(A\cap B)}{area(A)+area(B)-area(A\cap B)}$

参数¶

x (Variable) - 框列表 $X$ 是二维LoDTensor，维度为 $[N,4]$ ，存有 $N$ 个框，每个框表示为 $[xmin, ymin, xmax, ymax]$ ， $X$ 的维度为 $[N,4]$ 。如果输入是图像特征图， $[xmin, ymin]$ 表示框的左上角坐标，接近坐标轴的原点。 $[xmax, ymax]$ 表示框的右下角坐标。该张量包含批次输入的LoD信息。该批次输入的一个实例能容纳不同的项数。数据类型为float32或float64。

y (Variable) - 框列表 $Y$ 是二维张量，存有 $M$ 个框，每个框表示为 $[xmin, ymin, xmax, ymax]$ ， $Y$ 的维度为 $[M,4]$ 。如果输入是图像特征图， $[xmin, ymin]$ 表示框的左上角坐标，接近坐标轴的原点。 $[xmax, ymax]$ 表示框的右下角坐标。数据类型为float32或float64。

box_normalized (bool) - 先验框坐标是否正则化，即是否在[0, 1]区间内。默认值为true

返回¶

维度为 $[N,M]$ 的LoDTensor，代表每一对iou分数，数据类型与 $X$ 相同

返回类型¶

Variable

代码示例¶

import numpy as np
import paddle.fluid as fluid

use_gpu = False
place = fluid.CUDAPlace(0) if use_gpu else fluid.CPUPlace()
exe = fluid.Executor(place)

x = fluid.data(name='x', shape=[None, 4], dtype='float32')
y = fluid.data(name='y', shape=[None, 4], dtype='float32')
iou = fluid.layers.iou_similarity(x=x, y=y)

exe.run(fluid.default_startup_program())
test_program = fluid.default_main_program().clone(for_test=True)

[out_iou] = exe.run(test_program,
        fetch_list=iou,
        feed={'x': np.array([[0.5, 0.5, 2.0, 2.0],
                             [0., 0., 1.0, 1.0]]).astype('float32'),
              'y': np.array([[1.0, 1.0, 2.5, 2.5]]).astype('float32')})
# out_iou is [[0.2857143],
#             [0.       ]] with shape: [2, 1]