التقاطع على الاتحادIoU

Intersection over Union (IoU) هو مقياس أساسي يستخدم في الرؤية الحاسوبية لقياس دقة كاشف الكائنات على مجموعة بيانات محددة. غالبًا ما يشار إليه باسم مؤشر Jaccard، وهو يقيس التداخل بين حدين : مربع الحدود الحقيقي (موقع الكائن الفعلي) ومربع الحدود المتوقع (تخمين النموذج ). تتراوح IoU من 0 إلى 1، حيث تشير 0 إلى عدم وجود تداخل و1 إلى تطابق تام. هذا المقياس ضروري لتقييم مدى جودة نموذج مثل YOLO26 في تحديد مواقع الكائنات داخل الصورة، متجاوزًا التصنيف البسيط لتقييم الدقة المكانية.

كيف IoU

المفهوم IoU : فهو يحسب نسبة المساحة التي يتداخل فيها الصندوقان (التقاطع) إلى المساحة الإجمالية التي يغطيها الصندوقان معًا (الاتحاد). نظرًا لأنه يعمل على تطبيع التداخل حسب المساحة الإجمالية، IoU مقياسًا ثابتًا، مما يعني أنه يقيّم الأداء بشكل فعال بغض النظر عما إذا كان الكائن مركبة كبيرة أو لافتة مرور صغيرة.

في سير عمل الكشف عن الأجسام العملي، يُستخدم IoU لتحديد ما إذا كان التنبؤ "إيجابيًا حقيقيًا" أو "إيجابيًا خاطئًا". عادةً ما يتم تعيين عتبة — عادةً ما تكون 0.5 أو 0.75 في معايير مثل COCO . إذا تجاوزت IoU هذه العتبة، يعتبر الكشف صحيحًا. هذه العتبة هي مقدمة لحساب مقاييس أكثر تعقيدًا مثل متوسط الدقة (mAP)، الذي يجمع الأداء عبر فئات وعتبات مختلفة.

تطبيقات واقعية

IoU الدقة التي يوفرها IoU أمرًا بالغ الأهمية في الصناعات التي تعتبر فيها السلامة والموثوقية أمرًا بالغ الأهمية.

• IoU ذكاء الاصطناعي في السيارات: بالنسبة للمركبات ذاتية القيادة، لا يكفي مجرد معرفة وجود مشاة؛ بل يجب أن يعرف النظام موقعهم الدقيق لتخطيط مسار آمن. تضمن درجات IoU العالية في الاختبار أن نظام إدراك المركبة يتوافق بشكل وثيق مع الواقع المادي، مما يقلل من خطر الاصطدامات.
• تحليل الصور الطبية: في مجال الرعاية الصحية، تحدد النماذج الحالات الشاذة مثل الأورام في فحوصات التصوير بالرنين المغناطيسي. IoU ارتفاع معدل IoU أن الذكاء الاصطناعي في حلول الرعاية الصحية يحدد بدقة حدود الورم، وهو أمر حيوي لحساب حجم الورم وتخطيط العلاج الإشعاعي دون إلحاق الضرر بالأنسجة السليمة.

حساب IoU باستخدام Python

IoU الأسهل فهم IoU من خلال مثال عملي. ultralytics تتضمن الحزمة وظائف مفيدة محسّنة لحساب IoU وهو أمر مفيد للتقييمات المخصصة أو لفهم سلوك النموذج .

import torch
from ultralytics.utils.metrics import box_iou

# Define ground truth and predicted boxes in (x1, y1, x2, y2) format
# Example: Ground truth box [50, 50, 150, 150] vs Predicted box [60, 60, 160, 160]
ground_truth = torch.tensor([[50, 50, 150, 150]])
prediction = torch.tensor([[60, 60, 160, 160]])

# Calculate Intersection over Union
iou_score = box_iou(ground_truth, prediction)

print(f"IoU Score: {iou_score.item():.4f}")
# Output: IoU Score: 0.6806

IoU تدريب النموذج

بالإضافة إلى التقييم، IoU استخدام IoU بشكل فعال خلال عملية تدريب أجهزة الكشف الحديثة.

• تحسيندالة الخسارة: قد تكون دوال الخسارة التقليدية مثل متوسط الخطأ المربع (MSE) غير فعالة في انحدار المربع المحيط. غالبًا ما تُستخدم IoU مثل IoU المعمم IoU GIoU) و IoU المسافة IoU DIoU) و IoU الكامل IoU CIoU) كوظائف خسارة. توفر هذه المتغيرات تدرجات أفضل وتقاربًا أسرع من خلال مراعاة عوامل مثل المسافة بين مراكز المربعات و اتساق نسبة العرض إلى الارتفاع.
• القمع غير الأقصى (NMS): أثناء الاستدلال، قد يتنبأ النموذج بوجود عدة مربعات لنفس الكائن. NMS IoU ودمج هذه الاكتشافات المكررة، مع الاحتفاظ فقط بالمربع الذي يحتوي على أعلى درجة ثقة وقمع تلك التي تحتوي على تداخل كبير ( IoU عالي) لضمان الحصول على ناتج نهائي نظيف.

التمييز IoU والمقاييس ذات الصلة

من المفيد التمييز IoU ومفاهيم التقييم المماثلة لاختيار المقياس المناسب لمهمتك.

• IoU الدقة: تشير الدقة عادةً إلى تصنيف الصور (التصنيف الصحيح مقابل التصنيف الخاطئ) ولا تقيّم التوطين المكاني. يمكن أن يتمتع النموذج بدقة تصنيف عالية ولكن IoU ضعيف IoU قام بتصنيف "كلب" بشكل صحيح ولكنه رسم المربع في المكان الخاطئ. يستهدف IoU جودة التوطين.
• IoU معامل Dice: في حين أن كلاهما يقيس تشابه المجموعات، فإن معامل Dice (درجة F1 لتداخل البكسل) يزن التقاطع بشكل أكبر وهو عادةً المعيار للتقسيم الدلالي. IoU مؤشر Jaccard) يعاقب الأخطاء بشكل أكثر صرامة بشكل عام ويظل المعيار لمهام الكشف عن المربعات المحيطة.