Intersección sobre UniónIoU)

La intersección sobre la uniónIoU) es una métrica de evaluación fundamental utilizada en visión por ordenador (CV) para medir la precisión de un detector de objetos en un conjunto de datos concreto. En los círculos académicos se suele denominar Índice de Jaccard, IoU cuantifica el grado de solapamiento entre dos regiones: el cuadro delimitador previsto generado por un generada por un modelo y el cuadro delimitador real, que es la anotación etiquetada a mano que representa la ubicación real del objeto. objeto. Esta métrica produce un valor que va de 0 a 1, donde 0 indica que no hay solapamiento y 1 representa una coincidencia perfecta entre la predicción y la realidad. perfecta entre la predicción y la realidad.

Cómo funciona IoU

El cálculo de IoU es conceptualmente sencillo, lo que lo convierte en una referencia estándar para la detección de objetos y segmentación de imágenes. Se determina dividiendo el área de intersección (la región solapada) por el área de unión (el área total combinada de ambas cajas). cajas). Al normalizar el área de solapamiento con respecto al área total, IoU proporciona una medida invariable con respecto a la escala, lo que significa que que evalúa la calidad del ajuste independientemente del tamaño del objeto.

En aplicaciones prácticas, a menudo se aplica un umbral a la puntuación IoU para classify una predicción como una detección "positiva" o "negativa". detección "positiva" o "negativa". Por ejemplo, en desafíos estándar como el COCO , se suele utilizar un umbral de IoU de 0,5 (o 50%) para determinar si una detección es válida. Este umbral es fundamental para calcular métricas posteriores métricas posteriores como Precision y Recall, que en última instancia alimentan la Precisión media (mAP) utilizada para para clasificar el rendimiento del modelo.

Cálculo IoU con Python

Puede calcular fácilmente el IoU entre casillas utilizando las funciones de utilidad proporcionadas en el ultralytics paquete. Esto es útil para scripts de evaluación personalizados o para comprender el comportamiento del modelo durante la la inferencia.

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

Aplicaciones en el mundo real

La precisión de la localización proporcionada por IoU es vital en varios sectores en los que la seguridad y la precisión son primordiales. la seguridad y la precisión.

• La IA en la automoción: En el desarrollo de vehículos autónomos, los sistemas deben distinguir con precisión entre peatones, otros vehículos y obstáculos estáticos. Una puntuación alta de IoU garantiza que el sistema de percepción sabe exactamente dónde está un objeto en relación con el coche, no sólo que existe. Esta localización Esta localización precisa es esencial para los sistemas de planificación de trayectorias y evitación de colisiones que utilizan líderes como Waymo y Tesla. Waymo y Tesla.
• Análisis de imágenes médicas: Cuando se utiliza la IA para detect anomalías como tumores en resonancias magnéticas o tomografías computarizadas, el límite exacto de la lesión es muy importante para el diagnóstico y la planificación del tratamiento. para el diagnóstico y la planificación del tratamiento. Un modelo con un alto IoU garantiza que la IA en las herramientas sanitarias la zona afectada sin incluir demasiado tejido sano, lo que ayuda a los radiólogos a tomar decisiones críticas. decisiones críticas.

IoU en la formación e inferencia de modelos

Más allá de la simple evaluación, IoU desempeña un papel activo en la mecánica interna de arquitecturas modernas como YOLO11.

• Optimización dela función de pérdida: Las funciones de pérdida tradicionales suelen tener problemas con los cuadros delimitadores que no se solapan. Para solucionar este problema, se utilizan variaciones como Generalized IoU GIoU), Distance IoU DIoU) y Complete IoU CIoU) se incorporan directamente al proceso de formación. formación. Estas variaciones proporcionan gradientes incluso cuando las cajas no se tocan, lo que ayuda al modelo a converger más rápido y a lograr una mejor localización. mejor localización.
• Supresión no máxima (NMS): Durante la inferencia, un detector de objetos puede generar varios cuadros delimitadores para un mismo objeto. NMS utiliza IoU para filtrar estos resultados. Si dos recuadros predichos tienen un IoU superior a un umbral NMS específico (por ejemplo, 0,7) y pertenecen a la misma clase, el recuadro con el IoU más bajo será suprimido. pertenecen a la misma clase, se suprime la que tiene la de confianza se suprime, dejando sólo la mejor predicción. mejor predicción.

IoU frente a métricas relacionadas

Es importante distinguir IoU de términos similares para seleccionar la métrica adecuada para su tarea específica.

• IoU frente a precisión: La precisión suele mide el porcentaje de clasificaciones correctas (por ejemplo, "¿Es un gato?"). No tiene en cuenta dónde está el objeto. IoU mide específicamente la calidad de la localización (por ejemplo, "¿En qué medida encaja la caja con el gato? la caja se ajusta al gato?"). Un modelo puede tener una precisión de clasificación alta pero un IoU bajo si las cajas están sueltas o desalineadas. desalineadas.
• IoU frente a Coeficiente Dice: Aunque ambos miden el solapamiento y están correlacionados positivamente, el Coeficiente Dice (o puntuación F1 de los píxeles) da más peso a la intersección. La puntuación Dice se suele priorizar en tareas de segmentación semántica, mientras que IoU es es el estándar para la detección de objetos.