Intersection over Union (IoU)

التقاطع فوق الاتحاد (IoU) هو مقياس أساسي يستخدم في الرؤية الحاسوبية لتحديد دقة كاشف الكائنات عن طريق قياس التداخل بين حدودين. يُشار إليه تقنياً غالباً باسم مؤشر جاكارد، ويقوم IoU بتقييم مدى توافق صندوق الإحاطة المتوقع مع صندوق الحقيقة الأرضية - وهو الموقع الفعلي للكائن كما قام بتحديده واضع البيانات البشري. تتراوح النتيجة من 0 إلى 1، حيث يشير 0 إلى عدم وجود تداخل و 1 يمثل تطابقاً مثالياً بكسل بكسل. يعد هذا المقياس ضرورياً لتقييم الدقة المكانية لنماذج مثل YOLO26، متجاوزاً التصنيف البسيط لضمان معرفة النظام بالضبط بمكان تواجد الكائن.

Link to this sectionآليات قياس التداخل#

المفهوم الكامن وراء IoU بديهي: فهو يحسب نسبة المساحة التي يتقاطع فيها صندوقان إلى إجمالي المساحة التي يغطيها الصندوقان معاً (الاتحاد). ونظراً لأن هذا الحساب يقوم بتطبيع التداخل حسب الحجم الإجمالي للكائنات، فإن IoU يعمل كمقياس غير متغير حسب المقياس. وهذا يعني أنه يوفر تقييماً عادلاً للأداء بغض النظر عما إذا كان نموذج الرؤية الحاسوبية يكتشف سفينة شحن ضخمة أو حشرة صغيرة.

في سير عمل اكتشاف الكائنات القياسي، يعد IoU المصفاة الأساسية لتحديد ما إذا كان التوقع "إيجابياً صحيحاً" أو "إيجابياً خاطئاً". أثناء التقييم، يحدد المهندسون عتبة محددة - عادة 0.50 أو 0.75. إذا تجاوزت نتيجة التداخل هذا الرقم، يتم احتساب الاكتشاف على أنه صحيح. وتعد عملية تحديد العتبة هذه شرطاً مسبقاً لحساب مقاييس الأداء الإجمالية مثل متوسط دقة متوسط (mAP)، والتي تلخص دقة النموذج عبر فئات ومستويات صعوبة مختلفة.

Link to this sectionتطبيقات 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 السيارات، يجب أن تفعل السيارات ذاتية القيادة أكثر من مجرد اكتشاف وجود أحد المشاة؛ يجب أن تعرف الموقع الدقيق للمشاة بالنسبة للحارة. التحقق من درجات IoU العالية أثناء الاختبار يؤكد أن حزمة إدراك المركبات ذاتية القيادة يمكنها تحديد العوائق بدقة، مما يسمح بتخطيط مسار آمن وتجنب الاصطدام.
• الطب الدقيق: بالنسبة لـ الذكاء الاصطناعي في الرعاية الصحية، يعد IoU حيوياً لمهام مثل تقسيم الورم في فحوصات التصوير بالرنين المغناطيسي. يعتمد أطباء الأشعة على تحليل الصور الطبية لقياس نمو أو انكماش الشذوذات. يضمن النموذج ذو IoU العالي أن الحدود المتوقعة تتبع بدقة حافة الورم الفعلية، وهو أمر بالغ الأهمية لتحديد الجرعة في العلاج الإشعاعي وتجنيب الأنسجة السليمة.

Link to this sectionحساب IoU باستخدام Python#

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

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

Link to this sectionIoU 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 لصناديق الإحاطة. تستخدم الكاشفات الحديثة دوال خسارة قائمة على IoU، مثل التقاطع فوق الاتحاد المعمم (GIoU) والتقاطع فوق الاتحاد الكامل (CIoU). توجه هذه الدوال المتقدمة الشبكة العصبية للتقارب بشكل أسرع من خلال النظر في نسب العرض إلى الارتفاع ومسافات النقاط المركزية.
• إزالة التكرارات: أثناء الاستدلال، قد يحدد النموذج نفس الكائن عدة مرات بصناديق مختلفة قليلاً. تستخدم تقنية تسمى كبت غير الأعظم (NMS) مقياس IoU لتحديد هذه التكرارات المتداخلة. فهي تحتفظ بالصندوق صاحب أعلى درجة ثقة وتقوم بكبت الصناديق المحيطة التي لديها IoU عالٍ مع الصندوق الفائز، مما يضمن مخرجات نهائية نظيفة.

Link to this sectionالتمييز بين IoU والمقاييس ذات الصلة#

لتقييم نماذج التعلم الآلي بفعالية، من المهم التمييز بين IoU ومقاييس التشابه الأخرى.

• IoU مقابل الدقة: بينما تقيس الدقة عدد مرات تنبؤ النموذج بالفئة الصحيحة (مثلاً: "كلب" مقابل "قطة")، فهي تتجاهل الموقع. يمكن أن يحصل النموذج على دقة تصنيف 100% ولكن IoU بنسبة 0% إذا رسم الصندوق في الزاوية الخطأ من الصورة. يستهدف IoU بشكل خاص جودة التوطين.
• IoU مقابل معامل دايس: يقيس كلا المقياسين تشابه المجموعات، ولكن معامل دايس (درجة F1 لتداخل البكسل) يعطي وزناً أكبر للتقاطع. عادة ما يكون دايس هو المعيار لمهام التجزئة الدلالية التي تتضمن أشكالاً غير منتظمة، في حين أن IoU هو المعيار لاكتشاف صناديق الإحاطة المستطيلة.

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