التقاطع على الاتحادIoU

التقاطع على الاتحادIoU) هو مقياس تقييم أساسي يستخدم في الرؤية الحاسوبية (CV) لقياس دقة كاشف الأجسام على مجموعة بيانات معينة. غالبًا ما يشار إليه في الدوائر الأكاديمية باسم مؤشر جاكارد، يقيس IoU درجة التداخل بين منطقتين: مربع الحدود المتوقع الذي تم إنشاؤه بواسطة نموذج النموذج، والمربع المحدِّد للحقيقة الأرضية، وهو التعليق التوضيحي الموسوم يدويًا الذي يمثّل الموقع الفعلي للكائن الكائن. ينتج عن هذا المقياس قيمة تتراوح من 0 إلى 1، حيث يشير الرقم 0 إلى عدم وجود تداخل و1 إلى تطابق تام تطابقًا تامًا بين التنبؤ والواقع.

فهم كيفية عمل IoU

إن حساب IoU واضح ومباشر من الناحية المفاهيمية، مما يجعله معيارًا قياسيًا ل للكشف عن الأجسام و ومهام تجزئة الصور. يتم تحديده من خلال بقسمة مساحة التقاطع (المنطقة المتداخلة) على مساحة الاتحاد (المساحة الإجمالية المجمعة لكلا المربعين). من خلال تطبيع مساحة التداخل مقابل المساحة الإجمالية، يوفر IoU مقياسًا متغيرًا من حيث الحجم، مما يعني أنه يقيِّم جودة التطابق بغض النظر عن حجم الجسم.

في التطبيقات العملية، غالبًا ما تُطبَّق عتبة على درجة IoU classify التنبؤ على أنه اكتشاف "إيجابي" أو "سلبي". على سبيل المثال، في التحديات القياسية مثل المعيارية لمجموعة بياناتCOCO عادةً ما تُستخدم عتبة IoU بنسبة 0.5 (أو 50%) يُستخدم عادةً لتحديد ما إذا كان الاكتشاف صحيحًا أم لا. تُعد هذه العتبة أمرًا بالغ الأهمية لحساب مقاييس النهائية مثل الدقة و Recall، والتي تصب في النهاية في متوسط درجة متوسط الدقة (mAP) المستخدمة لتصنيف أداء النموذج.

حساب IoU باستخدام Python

يمكنك بسهولة حساب IoU بين المربعات باستخدام دوال المنفعة المتوفرة في ultralytics الحزمة. هذا مفيد للبرامج النصية المخصصة للتقييم أو فهم سلوك النموذج أثناء الاستدلال.

import torch
from ultralytics.utils.metrics import box_iou

# Define a ground truth box and a predicted box in (x1, y1, x2, y2) format
# Example: A 100x100 pixel box starting at (50,50) vs shifted prediction
ground_truth = torch.tensor([[50, 50, 150, 150]])
prediction = torch.tensor([[60, 60, 160, 160]])

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

print(f"IoU Score: {iou_score.item():.4f}")
# Output represents the overlap ratio

تطبيقات واقعية

تُعد دقة التوطين التي توفرها IoU تحديد المواقع IoU أمرًا حيويًا في مختلف الصناعات التي تكون فيها السلامة والدقة ذات أهمية قصوى.

• الذكاء الاصطناعي في السيارات: في تطوير المركبات ذاتية القيادة، يجب على الأنظمة أن تميّز بدقة بين المشاة والمركبات الأخرى والعوائق الثابتة. تضمن درجة IoU العالية أن أن نظام الإدراك يعرف بالضبط مكان وجود جسم ما بالنسبة للسيارة، وليس فقط أنه موجود. هذا التحديد الدقيق الدقيقة هذه ضرورية لتخطيط المسار وأنظمة تجنب الاصطدام التي تستخدمها شركات رائدة مثل مثل Waymo وTesla.
• تحليل الصور الطبية: عند استخدام الذكاء الاصطناعي detect الحالات الشاذة مثل الأورام في التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب، فإن الحدود الدقيقة للآفة مهمة بشكل كبير في التشخيص وتخطيط العلاج. يضمن النموذج ذو IoU عالية IoU أن الذكاء الاصطناعي في أدوات الرعاية الصحية بدقة تسليط الضوء على المنطقة المصابة بالكامل دون تضمين الكثير من الأنسجة السليمة، مما يساعد أخصائيي الأشعة في اتخاذ القرارات الحاسمة.

IoU في التدريب والاستدلال على النماذج

بعيدًا عن التقييم البسيط، تلعب IoU دورًا نشطًا في الميكانيكا الداخلية للبنى الحديثة مثل YOLO11.

• تحسيندالة الخسارة: غالبًا ما تعاني دوال الخسارة التقليدية مع المربعات المحدودة غير المتداخلة. ولمعالجة هذه المشكلة، هناك أشكال مختلفة مثل IoU المعممGIoU)، IoU للمسافةDIoU)، IoU الكاملCIoU) يتم دمجها مباشرةً في عملية التدريب عملية التدريب. توفر هذه الاختلافات تدرجات حتى عندما لا تتلامس المربعات، مما يساعد النموذج على التقارب بشكل أسرع و وتحقيق توطين أفضل.
• القمع غير الأقصى (NMS): أثناء الاستدلال، قد يُخرج كاشف الأجسام عدة مربعات حدية لكائن واحد. يستخدم NMS IoU غير IoU ل لتصفية هذه النتائج. إذا كان المربعان المتوقعان يحتويان على IoU أعلى من عتبة NMS محددة (على سبيل المثال، 0.7) وينتميان إلى نفس الفئة إلى نفس الفئة، فإن المربع الذي لديه درجة ثقة أقل درجة ثقة أقل، مما يترك فقط أفضل تنبؤ تنبؤ فقط.

IoU مقابل المقاييس ذات الصلة

من المهم التمييز بين IoU والمصطلحات المشابهة لتحديد المقياس المناسب لمهمتك المحددة.

• IoU مقابل الدقة: الدقة عادةً النسبة المئوية للتصنيفات الصحيحة (على سبيل المثال، "هل هذه قطة؟"). وهي لا تأخذ في الحسبان مكان الكائن. يقيس IoU على وجه التحديد جودة التوطين (على سبيل المثال، "ما مدى ملاءمة الصندوق "). يمكن أن يكون للنموذج دقة تصنيف عالية ولكن IoU التعرّف IoU منخفضة إذا كانت الصناديق غير محكمة أو أو غير متناسقة.
• IoU مقابل معامل النرد: في حين أن كلا المقياسين متداخلان ومترابطان بشكل إيجابي، فإن معامل النرد (أو درجة F1 للبكسل) يعطي وزناً أكبر وزنًا أكبر للتقاطع. يتم إعطاء الأولوية لدرجة النرد بشكل أكثر شيوعًا في في مهام التجزئة الدلالية، في حين أن IoU هو هو المعيار للكشف عن الأجسام في الصندوق المحيط.