Intersection over Union (IoU)

مقياس التقاطع على الاتحاد (IoU) هو مقياس أساسي يُستخدم في رؤية الكمبيوتر لتقدير دقة كاشف الكائنات عن طريق قياس التداخل بين حدين. يُشار إليه تقنياً غالباً باسم مؤشر جاكارد، حيث يقيّم IoU مدى توافق مربع الإحاطة المتوقع مع المربع الفعلي—أي الموقع الحقيقي للكائنات كما تم تحديدها بواسطة معلّق بشري. يتراوح النتيجة بين 0 و1، حيث يشير 0 إلى عدم وجود تداخل ويمثل 1 تطابقاً مثالياً بين البكسلات. هذا المقياس ضروري لتقييم الدقة المكانية لنماذج مثل YOLO26، متجاوزاً التصنيف البسيط لضمان معرفة النظام للموقع الدقيق للكائن.

آليات قياس التداخل#

المفهوم الكامن وراء IoU بديهي: فهو يحسب نسبة المساحة التي يتقاطع فيها مربعان إلى المساحة الإجمالية التي يغطيها المربران معاً (الاتحاد). ونظراً لأن هذه الحسابات تُسوي التداخل بالنسبة للحجم الإجمالي للكائنات، فإن IoU يعمل كمقياس غير متأثر بالمقياس. وهذا يعني أنه يوفر تقييماً عادلاً للأداء بغض النظر عما إذا كان نموذج رؤية الكمبيوتر يكتشف سفينة شحن ضخمة أو حشرة صغيرة جداً.

في سير عمل اكتشاف الكائنات القياسي، يعتبر IoU المرشح الأساسي لتحديد ما إذا كان التنبؤ يعتبر "إيجابياً صحيحاً" أو "إيجابياً خاطئاً". أثناء التقييم، يحدد المهندسون عتبة محددة - وعادة ما تكون 0.50 أو 0.75. إذا تجاوزت درجة التداخل هذا الرقم، يتم احتساب الاكتشاف على أنه صحيح. وتُعد هذه العملية الخاصة بالعتبات شرطاً أساسياً لحساب مقاييس الأداء المجمعة مثل متوسط الدقة المتوسطة (mAP)، والتي تلخص دقة النموذج عبر الفئات ومستويات الصعوبة المختلفة.

تطبيقات العالم الحقيقي#

تعد الدقة المكانية العالية أمراً بالغ الأهمية في الصناعات التي يمكن أن تؤدي فيها التقريبات الغامضة إلى الفشل أو مخاطر السلامة. يضمن IoU أن أنظمة الذكاء الاصطناعي تدرك العالم المادي بدقة.

• القيادة الذاتية: في مجال الذكاء الاصطناعي في قطاع السيارات, يجب على السيارات ذاتية القيادة أن تفعل أكثر من مجرد اكتشاف وجود أحد المشاة؛ بل يجب عليها معرفة الموضع الدقيق للمشاة بالنسبة للمسار. تؤكد درجات IoU العالية أثناء الاختبار أن حزمة إدراك المركبة ذاتية القيادة قادرة على تحديد العقبات بدقة، مما يسمح بالتخطيط الآمن للمسار وتجنب الاصطدام.
• الطب الدقيق: بالنسبة لـ الذكاء الاصطناعي في الرعاية الصحية, يُعد IoU أمراً حيويًا لمهام مثل تجزئة الأورام في صور الرنين المغناطيسي. يعتمد أخصائيو الأشعة على تحليل الصور الطبية لقياس نمو أو انكماش التشوهات. يضمن النموذج ذو معدل IoU المرتفع أن يتبع الحد المتوقع حافة الورم الفعلي بدقة، وهو أمر بالغ الأهمية لتحديد الجرعة في العلاج الإشعاعي وتجنب الأنسجة السليمة.

حساب IoU باستخدام Python#

بينما المفهوم هندسي، فإن التنفيذ رياضي. توفر حزمة ultralytics أدوات مساعدة محسنة لحساب IoU بكفاءة، وهو أمر مفيد للتحقق من سلوك النموذج أو تصفية 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 النموذج وتحسينه#

بعيداً عن كونه بطاقة نتائج، يعتبر IoU عنصراً نشطاً في تدريب شبكات التعلم العميق.

• تطور دالة الخسارة: غالباً ما تفشل مقاييس المسافة التقليدية مثل متوسط الخطأ التربيعي (MSE) في التقاط الخصائص الهندسية لمربعات الإحاطة. تستخدم الكواشف الحديثة دوال الخسارة المستندة إلى IoU، مثل IoU المعمم (GIoU) و IoU الكامل (CIoU). توجه هذه الدوال المتقدمة الشبكة العصبية للتقارب بشكل أسرع من خلال مراعاة نسب العرض إلى الارتفاع ومسافات نقاط المركز.
• إزالة التكرار: أثناء الاستدلال، قد يحدد النموذج نفس الكائن عدة مرات بمربعات مختلفة قليلاً. تستخدم تقنية تُسمى القمع غير الأقصى (NMS) مقاييس IoU لتحديد هذه التكرارات المتداخلة. وهي تحتفظ بالمربع الذي يحمل أعلى درجة ثقة وتقوم بقمع المربعات المحيطة التي لها نسبة IoU عالية مع المربع الفائز، مما يضمن الحصول على إخراج نهائي نظيف.

التمييز بين IoU والمقاييس ذات الصلة#

للتقييم الفعال لنماذج التعلم الآلي، من المهم التمييز بين IoU ومقاييس التشابه الأخرى.

• IoU مقابل الدقة: بينما تقيس الدقة عدد مرات تنبؤ النموذج بالفئة الصحيحة (مثل "كلب" مقابل "قطة")، فإنها تتجاهل الموقع. يمكن أن يكون للنموذج دقة تصنيف بنسبة 100% ولكن نسبة IoU بنسبة 0% إذا قام برسم المربع في الزاوية الخاطئة من الصورة. يستهدف IoU خصيصاً جودة تحديد المواقع.
• IoU مقابل معامل دايس: يقيس كلا المقياسين تشابه المجموعات، ولكن معامل دايس (درجة F1 لتداخل البكسل) يعطي وزناً أكبر للتقاطع. يُعد دايس أكثر شيوعاً كمعيار لمهام التجزئة الدلالية التي تتضمن أشكالاً غير منتظمة، بينما يُعد IoU المعيار لاكتشاف مربعات الإحاطة المستطيلة.

لتحقيق درجات IoU عالية، تتطلب النماذج بيانات تدريب دقيقة. تسهل أدوات مثل منصة Ultralytics إنشاء تسميات البيانات عالية الجودة، مما يسمح للفرق بتصور مربعات الحقيقة الأرضية وضمان ملاءمتها بإحكام للكائنات قبل بدء التدريب.