Visualización de IoU en object detection

Para quienes no les funcione la visualización intenten cambiar esto

example = ([680, 380, 830, 580], [700, 400, 840, 600])

Creo que es porque la imagen que descargamos tiene diferentes dimensiones a las del profe Sergio.

Si los bounding boxes no aparecen, pueden hacer un resize de la image a 2850 así:

image = cv2.resize(image, dsize=(2850, 2850))

Como estaba leyendo en los aportes, creo que se debe a que las dimensiones de la que descargamos son diferentes a la del profesor. A mi me funcionó hacer el resize, espero que también les sirva 😃.

La imagen compartida no cuenta con las mismas dimensiones que la del profesor, pero el IoU más acercado usando valores de posición cerrados que obtuve fue con estas medidas

example = ([670, 430, 800, 550], [670, 430, 780, 550])

También me encontré con otro problema, yo estoy utilizando PyCharm para llevarlo a un entorno de producción y con el código del profesor no lograba hacer aparecer los rectángulos. Lo que me funciono fue agregar esta línea de código justo antes de plt.show()

ax.add_patch(rect)
ax.plot() //Línea agregada
plt.show()

Para visualizar el IoU (Intersection over Union) en detección de objetos, necesitas superponer las cajas (ground truth y predicción) sobre una imagen y mostrar la región de intersección. Aquí te explico cómo hacerlo paso a paso usando `matplotlib`. \### Código para Visualizar IoU 1\. \*\*Dibuja las cajas delimitadoras (bounding boxes)\*\*. 2\. \*\*Calcula la región de intersección y dibújala\*\*. 3\. \*\*Muestra el valor de IoU en la imagen\*\*. Aquí tienes un ejemplo de código para visualizar el IoU: ```python import matplotlib.pyplot as plt import matplotlib.patches as patches def bb\_intersection\_over\_union(boxA, boxB): \# Coordenadas de la intersección xA = max(boxA\[0], boxB\[0]) yA = max(boxA\[1], boxB\[1]) xB = min(boxA\[2], boxB\[2]) yB = min(boxA\[3], boxB\[3]) \# Área de la intersección intersection\_area = max(0, xB - xA) \* max(0, yB - yA) \# Áreas de las cajas boxA\_area = (boxA\[2] - boxA\[0]) \* (boxA\[3] - boxA\[1]) boxB\_area = (boxB\[2] - boxB\[0]) \* (boxB\[3] - boxB\[1]) \# Cálculo del IoU iou = intersection\_area / float(boxA\_area + boxB\_area - intersection\_area) return iou, (xA, yA, xB, yB) \# Cajas de ejemplo \[x\_min, y\_min, x\_max, y\_max] boxA = \[50, 50, 150, 150] # Ground truth boxB = \[80, 80, 180, 180] # Predicción iou, intersection\_box = bb\_intersection\_over\_union(boxA, boxB) \# Visualización fig, ax = plt.subplots(1, figsize=(8, 8)) ax.set\_title(f"IoU: {iou:.2f}") ax.imshow(np.ones((200, 200, 3))) # Imagen de fondo (por simplicidad, es un rectángulo blanco) \# Dibujar la caja ground truth rectA = patches.Rectangle((boxA\[0], boxA\[1]), boxA\[2] - boxA\[0], boxA\[3] - boxA\[1], linewidth=2, edgecolor='g', facecolor='none', label="Ground Truth") ax.add\_patch(rectA) \# Dibujar la caja de predicción rectB = patches.Rectangle((boxB\[0], boxB\[1]), boxB\[2] - boxB\[0], boxB\[3] - boxB\[1], linewidth=2, edgecolor='b', facecolor='none', label="Prediction") ax.add\_patch(rectB) \# Dibujar la región de intersección if intersection\_box\[2] > intersection\_box\[0] and intersection\_box\[3] > intersection\_box\[1]: intersection\_rect = patches.Rectangle((intersection\_box\[0], intersection\_box\[1]), intersection\_box\[2] - intersection\_box\[0], intersection\_box\[3] - intersection\_box\[1], linewidth=2, edgecolor='r', facecolor='red', alpha=0.3, label="Intersection") ax.add\_patch(intersection\_rect) plt.legend(loc='upper right') plt.show() ``` \### Explicación del Código: \- \*\*`bb\_intersection\_over\_union`\*\*: Calcula el área de intersección entre dos cajas y devuelve el IoU. \- \*\*`matplotlib.patches.Rectangle`\*\*: Se utiliza para dibujar las cajas sobre la imagen. \- \*\*Intersección\*\*: Se dibuja con un color diferente para destacar la región de superposición. \### Resultado: Este código superpone las cajas y muestra visualmente la intersección en rojo, junto con el valor del IoU en el título de la gráfica. Esto es útil para entender visualmente cómo se solapan las predicciones y los valores reales en la detección de objetos.