Intersection sur l'UnionIoU

L'intersection sur l'unionIoU est une mesure d'évaluation fondamentale utilisée dans le domaine de la vision par ordinateur (CV) pour mesurer la précision des images. vision artificielle (CV) pour mesurer la précision d'un d'un détecteur d'objets sur un ensemble de données particulier. Souvent appelé dans les cercles académiques Jaccard, l'IoU quantifie le degré de chevauchement entre deux régions entre deux régions : la boîte de délimitation prédite générée par un modèle et la boîte de délimitation de la vérité au sol. modèle et la boîte de délimitation de la vérité de terrain, qui est l'annotation étiquetée à la main représentant l'emplacement réel de l'objet. l'objet. Cette métrique produit une valeur allant de 0 à 1, où 0 indique qu'il n'y a pas de chevauchement et 1 représente une correspondance parfaite entre la prédiction et la réalité. parfaite entre la prédiction et la réalité.

Comprendre le fonctionnement de l'IoU

Le calcul de l'IoU est conceptuellement simple, ce qui en fait une référence standard pour la IoU d'objets. détection d'objets et les tâches de détection d'objets et les tâches de segmentation d'images. Il est déterminé en en divisant la zone d'intersection (la région de chevauchement) par la zone d'union (la surface totale combinée des deux boîtes). boîtes). En normalisant la zone de chevauchement par rapport à la zone totale, l'IoU fournit une mesure indépendante de l'échelle, ce qui signifie qu'il qu'il évalue la qualité de l'ajustement quelle que soit la taille de l'objet.

Dans les applications pratiques, un seuil est souvent appliqué au score de l'indice d'IoU pour classify une prédiction comme une détection "positive" ou "négative". détection "positive" ou "négative". Par exemple, dans les défis standard tels que les benchmarks de l'ensemble de données l'ensemble de données de référence COCO , un seuil de IoU de 0,5 (ou de 50 %) est couramment utilisé pour déterminer si une détection est valide. Ce seuil est essentiel pour le calcul des mesures en aval en aval, tels que la précision et le rappel, qui Recall, qui alimentent en fin de compte la précision moyenne (mAP) utilisée pour classer les performances des modèles. pour classer les performances du modèle.

Calculer l'IoU avec Python

Vous pouvez facilement calculer l'IoU entre les boîtes à l'aide des fonctions d'utilité fournies dans le document ultralytics paquet. Ceci est utile pour les scripts d'évaluation personnalisés ou pour comprendre le comportement du modèle pendant l'inférence. l'inférence.

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

Applications concrètes

La précision de la localisation fournie par l'IoU est vitale dans diverses industries où la sécurité et la précision sont primordiales. sont primordiales.

• L'IA dans l'automobile: Dans le cadre du développement des véhicules autonomes, les systèmes doivent distinguer avec précision les piétons, les autres véhicules et les obstacles statiques. Un score élevé de IoU garantit que le système de perception sait exactement où se trouve un objet par rapport à la voiture, et pas seulement qu'il existe. Cette localisation Cette localisation précise est essentielle pour la planification de la trajectoire et les systèmes de prévention des collisions utilisés par des leaders tels que Waymo et Tesla. Waymo et Tesla.
• Analyse d'images médicales: Lorsque l'IA est utilisée pour detect anomalies telles que des tumeurs dans des IRM ou des tomodensitogrammes, les limites exactes de la lésion ont une grande importance pour le diagnostic et la planification du traitement. pour le diagnostic et la planification du traitement. Un modèle doté d'une forte IoU garantit que l'IoU dans les outils de soins de santé est précise. l 'IA dans les outils de soins de santé l'ensemble de la zone affectée sans inclure trop de tissus sains, aidant ainsi les radiologues à prendre des décisions cruciales. décisions critiques.

L'IoU dans la formation et l'inférence de modèles

Au-delà de la simple évaluation, l'IoU joue un rôle actif dans la mécanique interne des architectures modernes telles que YOLO11.

• Optimisation de lafonction de perte: Les fonctions de perte traditionnelles se heurtent souvent à des boîtes de délimitation qui ne se chevauchent pas. Pour y remédier, des variantes telles que l IoU généraliséGIoU), l'IoU distanceDIoU) et l'IoU completCIoU sont incorporés directement dans le processus de formation. processus de formation. Ces variations fournissent des gradients même lorsque les boîtes ne se touchent pas, ce qui permet au modèle de converger plus rapidement et d'obtenir une meilleure localisation. une meilleure localisation.
• Suppression non maximale (NMS): Lors de l'inférence, un détecteur d'objets peut produire plusieurs boîtes englobantes pour un seul objet. NMS utilise l'IoU pour filtrer ces résultats. Si deux boîtes prédites ont un IoU supérieur à un seuil NMS spécifique (par exemple, 0,7) et appartiennent à la même classe, celle dont l'IoU est le plus bas est supprimée. appartiennent à la même classe, celle qui a le score de confiance le plus bas est supprimée. de confiance est supprimée, ne laissant que la meilleure prédiction. prédiction.

Comparaison entre l'IoU et les mesures connexes

Il est important de distinguer l'IoU des termes similaires afin de sélectionner la bonne mesure pour votre tâche spécifique.

• IoU et précision: La précision mesure généralement le pourcentage de classifications correctes (par ex. mesure généralement le pourcentage de classifications correctes (par exemple, "Est-ce un chat ?"). Elle ne tient pas compte de l'endroit où se trouve l'objet. de l 'endroit où se trouve l'objet. L'IoU mesure spécifiquement la qualité de la localisation (par exemple, "Dans quelle mesure la boîte correspond-elle au chat ? la boîte convient-elle au chat ?"). Un modèle peut avoir une grande précision de classification mais un faible IoU si les boîtes sont mal fixées ou mal alignées. mal alignées.
• IoU vs. coefficient de Dice: Bien que les deux mesurent le chevauchement et soient positivement corrélés, le coefficient de Dice (ou score F1 des pixels) donne plus de poids à l'intersection. poids à l'intersection. Le score de Dice est plus couramment privilégié dans les tâches de segmentation sémantique, alors que le coefficient de Dice est plus important que le score de F1. dans les tâches de segmentation sémantique, alors que l IoU est la norme pour la détection d'objets dans la boîte englobante.