我有一个真实标签的json文件，和模型预测结果的json文件，我想要得到固定iou值=0.5情况下的准确率和召回率，用python实现

好的，下面是一个用Python实现计算固定IoU阈值下的准确率和召回率的示例代码：

import json
import numpy as np

# 加载真实标签和模型预测结果的json文件
with open('real_labels.json') as f:
    real_labels = json.load(f)
    
with open('model_predictions.json') as f:
    model_predictions = json.load(f)

# 设置IoU阈值
iou_threshold = 0.5

# 初始化预测正确和预测错误的边界框数量
num_true_positives = 0
num_false_positives = 0

# 统计真实标签中的边界框数量
num_ground_truth_boxes = 0
for image_id in real_labels.keys():
    num_ground_truth_boxes += len(real_labels[image_id]['boxes'])

# 遍历模型预测结果的边界框
for image_id in model_predictions.keys():
    for box in model_predictions[image_id]['boxes']:
        # 获取当前预测结果的边界框
        box_pred = np.array(box['box'])
        
        # 初始化最大IoU值和匹配的真实标签边界框
        max_iou = 0
        best_match = None
        
        # 遍历真实标签的边界框
        for real_box in real_labels[image_id]['boxes']:
            # 获取当前真实标签的边界框
            box_real = np.array(real_box['box'])
            
            # 计算IoU值
            intersection = np.maximum(0, np.minimum(box_pred[2], box_real[2]) - np.maximum(box_pred[0], box_real[0])) \
                * np.maximum(0, np.minimum(box_pred[3], box_real[3]) - np.maximum(box_pred[1], box_real[1]))
            union = (box_pred[2] - box_pred[0]) * (box_pred[3] - box_pred[1]) + (box_real[2] - box_real[0]) * (box_real[3] - box_real[1]) - intersection
            iou = intersection / (union + 1e-6)
            
            # 如果IoU值大于当前最大值，并且大于等于阈值，更新最大值和匹配的真实标签边界框
            if iou > max_iou and iou >= iou_threshold:
                max_iou = iou
                best_match = real_box
        
        # 如果有匹配的真实标签边界框，将其视为预测正确，否则视为预测错误
        if best_match is not None:
            num_true_positives += 1
            real_labels[image_id]['boxes'].remove(best_match)
        else:
            num_false_positives += 1

# 计算准确率和召回率
precision = num_true_positives / (num_true_positives + num_false_positives)
recall = num_true_positives / num_ground_truth_boxes

print('Precision: {:.4f}'.format(precision))
print('Recall: {:.4f}'.format(recall))

在这个示例代码中，首先使用`json.load()`函数加载真实标签和模型预测结果的json文件，然后设置IoU阈值和初始化预测正确和预测错误的边界框数量。接下来，遍历模型预测结果的边界框，对于每个边界框，计算其与真实标签边界框的IoU值，并与设定的阈值进行比较。如果IoU值大于等于阈值，就认为预测正确，并将其从真实标签中删除。最后，根据统计的预测正确和预测错误的边界框数量，以及真实标签中的边界框数量，计算准确率和召回率，并输出结果。

希望这个示例代码能帮助您完成您的任务！