تقاطع الاتحاد (IoU)

يعد Intersection over Union (IoU) مقياس تقييم أساسي يستخدم في رؤية الكمبيوتر (CV)، خاصةً لمهام اكتشاف الكائنات. يقيس التداخل بين حدودين: مربع الإحاطة المتوقع الذي تم إنشاؤه بواسطة نموذج ومربع الإحاطة ذي الحقيقة الأرضية، وهو المخطط التفصيلي الصحيح الذي تم تصنيفه يدويًا. تحدد النتيجة الناتجة، وهي قيمة بين 0 و 1، مدى دقة تحديد النموذج لموقع كائن في صورة. تمثل النتيجة 1 تطابقًا مثاليًا، بينما تشير النتيجة 0 إلى عدم وجود تداخل على الإطلاق. هذا المقياس ضروري لتقييم دقة تحديد الموقع لنماذج مثل Ultralytics YOLO11.

كيف يعمل تقاطع الاتحاد (IoU)

في جوهرها، تحسب IoU نسبة التقاطع (المنطقة المتداخلة) إلى الاتحاد (إجمالي المنطقة التي تغطيها كلتا المربعين) للمربعات المحيطة المتوقعة والحقيقية. تخيل مربعين متداخلين. "التقاطع" هو المنطقة المشتركة حيث يتداخلان. "الاتحاد" هو إجمالي المنطقة التي يغطيها كلا المربعين معًا، مع احتساب الجزء المتداخل مرة واحدة فقط. من خلال قسمة التقاطع على الاتحاد، توفر IoU مقياسًا موحدًا لمدى توافق المربع المتوقع مع الكائن الفعلي. هذا المفهوم البسيط ولكنه قوي هو حجر الزاوية في التعلم العميق (DL) الحديث للكشف عن الكائنات.

جزء أساسي من استخدام IoU هو تحديد "عتبة IoU". هذه العتبة هي قيمة محددة مسبقًا (مثل 0.5) تحدد ما إذا كان التوقع صحيحًا. إذا كانت نتيجة IoU لمربع متوقع أعلى من هذه العتبة، فسيتم تصنيفها على أنها "إيجابية حقيقية". إذا كانت النتيجة أقل، فهي "إيجابية خاطئة". تؤثر هذه العتبة بشكل مباشر على مقاييس الأداء الأخرى مثل الدقة و الاسترجاع، وهي عنصر حاسم في حساب متوسط الدقة المتوسطة (mAP)، وهو مقياس قياسي لتقييم نماذج الكشف عن الكائنات على مجموعات البيانات المعيارية مثل COCO.

تطبيقات واقعية

يعد مقياس IoU ضروريًا للتحقق من أداء عدد لا يحصى من أنظمة الذكاء الاصطناعي. فيما يلي مثالان:

1. القيادة الذاتية: في الذكاء الاصطناعي للسيارات ذاتية القيادة، يتم استخدام IoU لتقييم مدى جودة نظام رؤية السيارة في اكتشاف المشاة والمركبات الأخرى وإشارات المرور. تضمن درجة IoU العالية أن تكون مربعات الإحاطة المتوقعة دقيقة، وهو أمر بالغ الأهمية للملاحة الآمنة وتجنب الاصطدام. تعتمد شركات مثل Waymo بشكل كبير على اكتشاف الكائنات الدقيق لسلامة أنظمتها المستقلة.
2. التصوير الطبي: في تحليل الصور الطبية، يساعد IoU في تقييم دقة النماذج التي تحدد الحالات الشاذة مثل الأورام أو الآفات في الفحوصات مثل التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب. يعد التحديد الدقيق للموقع أمرًا حيويًا لتخطيط العلاج، ويوفر IoU مقياسًا موثوقًا لما إذا كان تنبؤ النموذج مفيدًا سريريًا. هذا أمر بالغ الأهمية في تطبيقات مثل الكشف عن الأورام باستخدام نماذج YOLO.

تحسين أداء النموذج باستخدام IoU

إنّ مقياس IoU ليس مجرد مقياس تقييم؛ بل هو جزء لا يتجزأ من عملية التدريب نفسها. تستخدم العديد من بنى الكشف عن الكائنات الحديثة، بما في ذلك متغيرات Ultralytics YOLOv8 و YOLO11، مقياس IoU أو متغيراته مباشرةً داخل دوال الخسارة الخاصة بها. تساعد خسائر IoU المتقدمة هذه، مثل Generalized IoU (GIoU) أو Distance-IoU (DIoU) أو Complete-IoU (CIoU)، النموذج على تعلم التنبؤ بالمربعات المحيطة التي لا تتداخل بشكل جيد فحسب، بل تراعي أيضًا عوامل مثل المسافة بين المراكز واتساق نسبة العرض إلى الارتفاع. يؤدي هذا إلى تقارب أسرع وأداء تحديد موقع أفضل مقارنة بخسائر الانحدار التقليدية. يمكنك العثور على مقارنات تفصيلية بين نماذج YOLO المختلفة في وثائقنا.

تساعد مراقبة IoU أثناء تدريب النموذج و ضبط المعلمات الفائقة المطورين على تحسين النماذج لتحسين التوطين. تسمح أدوات مثل Ultralytics HUB بتتبع IoU والمقاييس الأخرى، مما يبسط دورة تحسين النموذج. على الرغم من فائدته الواسعة النطاق، يمكن أن يكون IoU القياسي غير حساس في بعض الأحيان، خاصة بالنسبة للمربعات غير المتداخلة. أدى هذا القيد إلى تطوير متغيرات IoU المذكورة أعلاه. ومع ذلك، يظل IoU حجر الزاوية في تقييم رؤية الكمبيوتر.

مقارنة IoU مع المقاييس الأخرى

في حين أن IoU أمر حيوي، فمن المهم فهم علاقته بالمقاييس الأخرى:

• IoU مقابل الدقة: الدقة هي مقياس شائع في مهام التصنيف، حيث تقيس النسبة المئوية للتنبؤات الصحيحة. ومع ذلك، فهي غير مناسبة للكشف عن الكائنات لأنها لا تفسر خطأ التوطين. يمكن للتنبؤ أن يصنف كائنًا بشكل صحيح ولكنه يضع المربع المحيط بشكل سيئ. يعالج IoU هذا تحديدًا عن طريق قياس جودة التوطين.
• مقياس التقاطع عند الوحدة مقابل متوسط الدقة (mAP): هذان المصطلحان مرتبطان ولكنهما متميزان. يقيس مقياس التقاطع عند الوحدة جودة مربع إحاطة واحد متوقع. في المقابل، mAP هو مقياس شامل يقيم أداء النموذج عبر جميع الكائنات والفئات في مجموعة البيانات. يتم حسابه عن طريق حساب متوسط قيم الدقة عبر عتبات IoU متعددة وجميع الفئات. بشكل أساسي، IoU هو لبنة أساسية لحساب mAP. يمكن العثور على شرح مفصل لهذه العلاقة في دليلنا حول مقاييس أداء YOLO.
• IoU مقابل درجة F1: درجة F1 هي المتوسط التوافقي للدقة والاسترجاع وغالبًا ما تستخدم في التصنيف. في حين أن الدقة والاسترجاع يستخدمان في حساب mAP، فإن درجة F1 نفسها لا تقيس جودة التوطين بشكل مباشر مثل IoU. وهي تركز بشكل أكبر على التوازن بين إيجاد جميع الحالات الإيجابية وصحة تلك النتائج.