Intersection over Union (IoU)

L'Intersection over Union (IoU) est une mesure fondamentale utilisée en vision par ordinateur pour quantifier la précision d'un détecteur d'objets en mesurant le chevauchement entre deux limites. Souvent appelée techniquement Jaccard Index, l'IoU évalue à quel point une bounding box prédite s'aligne avec la boîte de vérité terrain — l'emplacement réel de l'objet tel qu'étiqueté par un annotateur humain. Le score varie de 0 à 1, où 0 indique aucun chevauchement et 1 représente une correspondance parfaite pixel par pixel. Cette mesure est essentielle pour évaluer la précision spatiale de modèles comme YOLO26, allant au-delà de la simple classification pour garantir que le système sache exactement où un objet est situé.

Link to this sectionLa mécanique de mesure du chevauchement#

Le concept derrière l'IoU est intuitif : il calcule le rapport entre la zone où deux boîtes s'intersectent et la zone totale couverte par les deux boîtes combinées (l'union). Parce que ce calcul normalise le chevauchement par la taille totale des objets, l'IoU sert de mesure invariante à l'échelle. Cela signifie qu'elle fournit une évaluation juste de la performance, que le modèle de vision par ordinateur détecte un immense navire cargo ou un minuscule insecte.

Dans les flux de travail standards de détection d'objets, l'IoU est le filtre principal pour déterminer si une prédiction est un « True Positive » ou un « False Positive ». Lors de l'évaluation, les ingénieurs définissent un seuil spécifique, généralement 0,50 ou 0,75. Si le score de chevauchement dépasse ce nombre, la détection est comptée comme correcte. Ce processus de seuillage est un prérequis pour calculer des mesures de performance globales comme le Mean Average Precision (mAP), qui résume la précision du modèle à travers différentes classes et niveaux de difficulté.

Link to this sectionApplications concrètes#

Une haute précision spatiale est critique dans les industries où des approximations vagues peuvent mener à des échecs ou des risques de sécurité. L'IoU garantit que les systèmes d'IA perçoivent le monde physique avec précision.

• Conduite autonome : Dans le domaine de l'IA dans l'automobile, les voitures autonomes doivent faire plus que simplement détecter qu'un piéton existe ; elles doivent connaître la position précise du piéton par rapport à la voie. Des scores IoU élevés lors des tests valident que la pile de perception du véhicule autonome peut délimiter précisément les obstacles, permettant une planification de trajectoire sécurisée et l'évitement de collisions.
• Médecine de précision : Pour l'IA dans la santé, l'IoU est vitale pour des tâches comme la segmentation de tumeurs dans des scanners IRM. Les radiologues s'appuient sur l'analyse d'imagerie médicale pour mesurer la croissance ou le rétrécissement d'anomalies. Un modèle avec une IoU élevée garantit que la limite prédite suit étroitement le bord réel de la tumeur, ce qui est crucial pour déterminer le dosage en radiothérapie et épargner les tissus sains.

Link to this sectionCalculer l'IoU avec Python#

Bien que le concept soit géométrique, l'implémentation est mathématique. Le package ultralytics fournit des utilitaires optimisés pour calculer l'IoU efficacement, ce qui est utile pour vérifier le comportement du modèle ou filtrer les prédictions.

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 sectionL'IoU dans l'entraînement et l'optimisation de modèles#

Au-delà de servir de tableau de score, l'IoU est un composant actif dans l'entraînement des réseaux d'apprentissage profond.

• Évolution des fonctions de perte : Les mesures de distance traditionnelles comme la Mean Squared Error (MSE) échouent souvent à capturer les propriétés géométriques des boîtes englobantes. Les détecteurs modernes utilisent des fonctions de perte basées sur l'IoU, telles que la Generalized IoU (GIoU) et la Complete IoU (CIoU). Ces fonctions avancées guident le réseau de neurones pour converger plus rapidement en tenant compte des ratios d'aspect et des distances des points centraux.
• Suppression des doublons : Lors de l'inférence, un modèle peut identifier le même objet plusieurs fois avec des boîtes légèrement différentes. Une technique appelée Non-Maximum Suppression (NMS) utilise l'IoU pour identifier ces doublons chevauchants. Elle conserve la boîte avec le score de confiance le plus élevé et supprime les boîtes environnantes qui ont une IoU élevée avec la gagnante, garantissant un résultat final propre.

Link to this sectionDistinguer l'IoU des mesures associées#

Pour évaluer efficacement les modèles de machine learning, il est important de distinguer l'IoU des autres mesures de similarité.

• IoU vs Précision : Bien que la Précision mesure à quelle fréquence un modèle prédit la classe correcte (par exemple, « Chien » vs « Chat »), elle ignore l'emplacement. Un modèle pourrait avoir 100 % de précision de classification mais 0 % d'IoU s'il dessine la boîte dans le mauvais coin de l'image. L'IoU cible spécifiquement la qualité de la localisation.
• IoU vs Coefficient de Dice : Les deux mesures mesurent la similarité d'ensemble, mais le Coefficient de Dice (score F1 du chevauchement de pixels) donne plus de poids à l'intersection. Dice est plus communément la norme pour les tâches de segmentation sémantique impliquant des formes irrégulières, alors que l'IoU est la norme pour la détection de boîtes englobantes rectangulaires.

Pour atteindre des scores IoU élevés, les modèles nécessitent des données d'entraînement précises. Des outils comme la Ultralytics Platform facilitent la création d'annotations de données de haute qualité, permettant aux équipes de visualiser les boîtes de vérité terrain et de s'assurer qu'elles s'ajustent étroitement aux objets avant que l'entraînement ne commence.