太简单了，我的数据集图像在images文件夹中，xml标签文件在annations文件夹中，根据这个写出代码

好的，那我假设你的数据集中每张图片只对应一个标注文件，以下是可以实现分析样本大小分布、样本比例分布和样本 GT 与锚框的 IoU 分布的 Python 代码：

import os
import cv2
import xml.etree.ElementTree as ET
import numpy as np
import matplotlib.pyplot as plt

# 图像和标注文件所在目录
image_dir = "images"
annotation_dir = "annotations"

# 获取所有图像和标注文件路径
image_paths = [os.path.join(image_dir, file) for file in os.listdir(image_dir)]
annotation_paths = [os.path.join(annotation_dir, file) for file in os.listdir(annotation_dir)]

# 样本数据列表，每个元素为一个样本（图像、标注文件路径、锚框等信息）
samples = []

# 遍历每个图像和标注文件，生成样本数据
for image_path, annotation_path in zip(image_paths, annotation_paths):

    # 加载图像和标注文件
    image = cv2.imread(image_path)
    tree = ET.parse(annotation_path)
    root = tree.getroot()

    # 获取图像大小
    image_h, image_w, _ = image.shape

    # 获取所有边界框的信息
    bboxes = []
    for obj in root.findall("object"):
        bbox = obj.find("bndbox")
        xmin = int(bbox.find("xmin").text)
        ymin = int(bbox.find("ymin").text)
        xmax = int(bbox.find("xmax").text)
        ymax = int(bbox.find("ymax").text)
        bboxes.append([xmin, ymin, xmax, ymax])

    # 生成样本数据
    if len(bboxes) > 0:
        samples.append({
            "image_path": image_path,
            "annotation_path": annotation_path,
            "image_size": (image_w, image_h),
            "bboxes": np.array(bboxes)
        })

# 计算每个样本的大小和正负样本比例
sample_sizes = []
sample_ratios = []
for sample in samples:
    image_w, image_h = sample["image_size"]
    bbox_w = sample["bboxes"][:, 2] - sample["bboxes"][:, 0]
    bbox_h = sample["bboxes"][:, 3] - sample["bboxes"][:, 1]
    sample_sizes.append(image_w * image_h)
    sample_ratios.append(len(bbox_w[bbox_w > 0]) / len(bbox_w[bbox_w == 0]))

# 绘制直方图
fig, axs = plt.subplots(1, 3, figsize=(15, 5))
axs[0].hist(sample_sizes, bins=20, color='steelblue', edgecolor='k')
axs[0].set_xlabel('Sample Size')
axs[0].set_ylabel('Frequency')
axs[0].set_title('Distribution of Sample Sizes')

axs[1].hist(sample_ratios, bins=20, color='steelblue', edgecolor='k')
axs[1].set_xlabel('Positive/Negative Ratio')
axs[1].set_ylabel('Frequency')
axs[1].set_title('Distribution of Sample Ratios')

ious = []
for sample in samples:
    image = cv2.imread(sample["image_path"])
    for bbox in sample["bboxes"]:
        iou = calculate_iou(bbox, gt_bbox)
        ious.append(iou)

axs[2].hist(ious, bins=20, color='steelblue', edgecolor='k')
axs[2].set_xlabel('IoU')
axs[2].set_ylabel('Frequency')
axs[2].set_title('Distribution of IoUs')

plt.show()

其中，`image_dir` 和 `annotation_dir` 分别指定了图像和标注文件所在的目录，`calculate_iou` 函数计算两个边界框的 IoU。可视化结果包括三个直方图，分别对应样本大小分布、样本比例分布和样本 GT 与锚框的 IoU 分布。注意，这里使用了 `subplots` 函数在一张图中绘制了三个直方图。