Intersection over Union (IoU)

يُعدّ التقاطع على الاتحاد (IoU) مقياسًا أساسيًا يُستخدم في الرؤية الحاسوبية لقياس دقة كاشف الأجسام من خلال قياس التداخل بين حدَّين. ويُشار إليه تقنيًا غالبًا باسم مؤشر جاكارد، إذ يقيّم IoU مدى محاذاة الصندوق المحيط المتنبأ به مع الصندوق المرجعي الحقيقي—أي الموقع الفعلي للجسم كما حدّده مُعلِّق بشري. وتتراوح الدرجة بين 0 و1، حيث يشير 0 إلى عدم وجود تداخل، بينما تمثل 1 تطابقًا مثاليًا بكسلًا ببكسل. ويُعدّ هذا المقياس ضروريًا لتقييم الدقة المكانية لنماذج مثل YOLO26، متجاوزًا التصنيف البسيط لضمان معرفة النظام بالموقع الدقيق للجسم.

آلية قياس التداخل#

المفهوم الكامن وراء IoU بديهي: فهو يحسب نسبة مساحة تقاطع الصندوقين إلى إجمالي المساحة التي يغطيها الصندوقان معًا (الاتحاد). وبما أن هذا الحساب يطبّع التداخل وفقًا للحجم الكلي للأجسام، فإن IoU يُعدّ مقياسًا مستقلًا عن المقياس. وهذا يعني أنه يوفّر تقييمًا عادلًا للأداء بغض النظر عمّا إذا كان نموذج الرؤية الحاسوبية يكشف سفينة شحن ضخمة أو حشرة صغيرة.

في سير عمل كشف الأجسام القياسي، يُعدّ IoU المرشح الأساسي لتحديد ما إذا كان التنبؤ «إيجابيًا حقيقيًا» أم «إيجابيًا كاذبًا». وأثناء التقييم، يحدد المهندسون عتبة معينة—تكون عادةً 0.50 أو 0.75. فإذا تجاوزت درجة التداخل هذا الرقم، يُحتسب الكشف صحيحًا. وتُعدّ عملية تحديد العتبة هذه شرطًا مسبقًا لحساب مقاييس الأداء الإجمالية مثل متوسط الدقة المتوسطة (mAP)، الذي يلخّص دقة النموذج عبر الفئات المختلفة ومستويات الصعوبة المتباينة.

التطبيقات الواقعية#

تُعدّ الدقة المكانية العالية بالغة الأهمية في الصناعات التي قد تؤدي فيها التقريبات الغامضة إلى الفشل أو مخاطر على السلامة. ويضمن IoU أن تدرك أنظمة الذكاء الاصطناعي العالم المادي بدقة.

• القيادة الذاتية: في مجال الذكاء الاصطناعي في قطاع السيارات، يجب على السيارات ذاتية القيادة ألا تكتفي باكتشاف وجود أحد المشاة، بل يجب أن تعرف موقعه الدقيق بالنسبة إلى المسار. وتؤكد درجات IoU العالية أثناء الاختبار أن حزمة إدراك المركبة ذاتية القيادة تستطيع تحديد حدود العوائق بدقة، مما يتيح تخطيط المسار بأمان وتجنب الاصطدام.
• الطب الدقيق: بالنسبة إلى الذكاء الاصطناعي في الرعاية الصحية، يُعدّ IoU حيويًا لمهام مثل تجزئة الأورام في صور التصوير بالرنين المغناطيسي. ويعتمد أطباء الأشعة على تحليل الصور الطبية لقياس نمو الشذوذات أو انكماشها. ويضمن النموذج الذي يحقق IoU مرتفعًا أن يتبع الحد المتنبأ به حافة الورم الفعلية عن كثب، وهو أمر بالغ الأهمية لتحديد الجرعة في العلاج الإشعاعي والحفاظ على الأنسجة السليمة.

حساب IoU باستخدام Python#

رغم أن المفهوم هندسي، فإن التنفيذ رياضي. توفّر الحزمة ultralytics أدوات مساعدة محسّنة لحساب IoU بكفاءة، وهو أمر مفيد للتحقق من سلوك النموذج أو لتصفية التنبؤات.

import torch
from ultralytics.utils.metrics import box_iou

# Define ground truth and prediction boxes: [x1, y1, x2, y2]
ground_truth = torch.tensor([[100, 100, 200, 200]])
predicted = torch.tensor([[110, 110, 210, 210]])

# Calculate the Intersection over Union score
iou_score = box_iou(ground_truth, predicted)

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

IoU في تدريب النماذج وتحسينها#

إضافةً إلى كونه مقياسًا للتقييم، يُعدّ IoU مكوّنًا فعالًا في تدريب شبكات التعلم العميق.

• تطور دالة الخسارة: غالبًا ما تفشل مقاييس المسافة التقليدية مثل متوسط مربع الخطأ (MSE) في التقاط الخصائص الهندسية للصناديق المحيطة. وتستخدم الكواشف الحديثة دوال خسارة قائمة على IoU، مثل التقاطع على الاتحاد المعمّم (GIoU) والتقاطع على الاتحاد الكامل (CIoU). وتوجّه هذه الدوال المتقدمة الشبكة العصبية إلى التقارب بسرعة أكبر من خلال مراعاة نسب الأبعاد ومسافات النقاط المركزية.
• إزالة التكرارات: أثناء الاستدلال، قد يحدّد النموذج الجسم نفسه عدة مرات باستخدام صناديق مختلفة قليلًا. وتستخدم تقنية تُسمى الكبت غير الأقصى (NMS) IoU لتحديد هذه التكرارات المتداخلة. فهي تحتفظ بالصندوق ذي درجة الثقة الأعلى، وتكبت الصناديق المحيطة التي لديها IoU مرتفع مع الصندوق الفائز، مما يضمن مخرجات نهائية نظيفة.

تمييز IoU عن المقاييس ذات الصلة#

لتقييم نماذج التعلم الآلي بفاعلية، من المهم تمييز IoU عن مقاييس التشابه الأخرى.

• IoU مقابل الدقة: بينما تقيس الدقة مدى تكرار تنبؤ النموذج بالفئة الصحيحة (مثل «كلب» مقابل «قطة»)، فإنها تتجاهل الموقع. فقد يحقق نموذج دقة تصنيف تبلغ 100% وIoU يبلغ 0% إذا رسم الصندوق في الزاوية الخاطئة من الصورة. ويستهدف IoU تحديدًا جودة تحديد الموقع.
• IoU مقابل معامل Dice: يقيس كلا المقياسين تشابه المجموعات، لكن معامل Dice (درجة F1 لتداخل البكسلات) يمنح التقاطع وزنًا أكبر. ويُعدّ Dice المعيار الأكثر شيوعًا لمهام التجزئة الدلالية التي تتضمن أشكالًا غير منتظمة، بينما يُعدّ IoU المعيار القياسي لكشف الصناديق المحيطة المستطيلة.

لتحقيق درجات IoU مرتفعة، تحتاج النماذج إلى بيانات تدريب دقيقة. وتسهّل أدوات مثل منصة Ultralytics إنشاء تعليقات توضيحية عالية الجودة للبيانات، مما يتيح للفرق تصور الصناديق المرجعية الحقيقية والتأكد من ملاءمتها للأجسام بإحكام قبل بدء التدريب.