Intersection sur l'Union (IoU)

Importance de l'apport d'informations dans l'évaluation des modèles

L'indice d'utilité est un indicateur de performance essentiel lorsqu'il s'agit d'évaluer la capacité des modèles, tels qu'Ultralytics YOLO, à localiser des objets dans une image. Alors que la classification nous indique quel objet est présent (voir Classification de l'image), l'indice d'utilité nous indique dans quelle mesure le modèle a localisé cet objet. Cette précision spatiale est essentielle dans de nombreux scénarios du monde réel, où une localisation précise est aussi importante qu'une classification correcte. Des scores élevés d'indice d'utilité indiquent que les prédictions du modèle s'alignent étroitement sur les limites réelles de l'objet. De nombreux benchmarks de détection d'objets, tels que l'évaluation du populaire jeu de données COCO et l'ancien défi PASCAL VOC, s'appuient fortement sur les seuils de l'indice d'utilité pour déterminer si une détection est considérée comme correcte. Vous pouvez explorer divers jeux de données de référence tels que COCO et PASCAL VOC dans notre documentation.

Calcul de l'indice d'utilité

Le calcul consiste à diviser la zone où la boîte de délimitation prédite et la boîte de délimitation réelle se chevauchent (l'intersection) par la zone totale couverte par les deux boîtes combinées (l'union). Ce rapport donne un score compris entre 0 et 1. Un score de 1 signifie une correspondance parfaite, c'est-à-dire que la boîte prédite recouvre exactement la boîte de vérité au sol. Un score de 0 indique qu'il n'y a aucun chevauchement. Une pratique courante dans de nombreux protocoles d'évaluation de la détection d'objets consiste à considérer qu'une prédiction est correcte si le score de l'indice d'utilité atteint ou dépasse un certain seuil, souvent 0,5. Toutefois, des seuils plus stricts (par exemple, 0,75 ou même 0,9) peuvent être utilisés en fonction du besoin de précision de l'application, comme le montrent des mesures telles que mAP@.5 :.95 utilisées dans les évaluations COCO. Ce seuil a un impact direct sur des mesures telles que la précision et le rappel.

Applications concrètes de l'IdO

La capacité de l'IoU à mesurer la précision de la localisation le rend indispensable dans divers domaines :

• Véhicules autonomes : Dans l'IA pour les voitures autonomes, la détection précise des piétons, des cyclistes et des autres véhicules est primordiale pour la sécurité. Un modèle de détection d'objets tel que YOLO11 prédit des boîtes de délimitation autour de ces objets. Un indice d'utilité élevé entre la boîte prédite et l'emplacement réel de l'objet garantit que le système de la voiture a une compréhension précise de son environnement, ce qui est crucial pour la navigation et l'évitement des collisions. Les normes de sécurité des véhicules autonomes reposent souvent implicitement sur une grande précision de localisation.
• Analyse d'images médicales : Lors de l'utilisation de l'IA dans les soins de santé, en particulier pour l'analyse d'images médicales, l'unité d'exploitation aide à évaluer les modèles conçus pour détecter les tumeurs ou les anomalies dans les scanners (comme la tomographie ou l'IRM). Par exemple, un modèle qui segmente une tumeur(segmentation d'image) doit en tracer le contour avec précision. Le rapport coût-efficacité mesure le chevauchement entre la région tumorale prédite par le modèle et la région marquée par un radiologue (vérité de terrain), ce qui garantit que les résultats du modèle sont cliniquement pertinents. Un indice d'utilité élevé est essentiel à la précision du diagnostic et à la planification du traitement, comme le soulignent plusieurs études sur l'IA dans le domaine de l'imagerie médicale. Vous pouvez trouver des ensembles de données pertinents tels que l'ensemble de données sur la détection des tumeurs cérébrales dans nos ressources d'ensembles de données.

L'indice d'intégrité par rapport à d'autres critères d'évaluation Autres mesures d'évaluation

Bien que l'indice d'utilité mesure spécifiquement la qualité de la localisation pour une prédiction unique par rapport à une vérité de terrain, il est souvent utilisé avec d'autres mesures pour obtenir une image complète des performances.

• Précision moyenne (mAP) : Il s'agit d'une mesure agrégée largement utilisée dans la détection d'objets. Elle calcule la précision moyenne pour différents seuils de l'indice d'utilité (par exemple, de 0,5 à 0,95) et souvent pour plusieurs classes d'objets. Contrairement à l'IoU, qui évalue des prédictions individuelles, la mAP fournit un chiffre unique résumant les performances globales du modèle en termes de classification et de précision de localisation sur différents points de fonctionnement. Pour en savoir plus sur ces mesures, consultez notre guide sur les mesures de performance de YOLO.
• Précision et rappel : La méthode IoU elle-même ne mesure pas directement l'exactitude de la classification, mais uniquement le chevauchement de la localisation. La précision mesure l'exactitude des prédictions positives (combien de boîtes détectées contiennent effectivement un objet), tandis que le rappel mesure la capacité du modèle à trouver toutes les instances pertinentes (combien d'objets réels ont été détectés). Les seuils de l'IoU sont utilisés dans le calcul de la précision et du rappel pour déterminer si une détection est un vrai positif. Comprendre la relation entre la précision et le rappel est essentiel pour interpréter des mesures telles que le mAP et le score F1.

Améliorer la performance des modèles grâce à l'interface utilisateur

L'indice d'utilité n'est pas seulement une mesure d'évaluation ; il fait également partie intégrante du processus d'apprentissage lui-même. De nombreuses architectures modernes de détection d'objets, y compris les variantes d'Ultralytics YOLOv8 et YOLOv10, utilisent le rapport coût-efficacité ou ses variations (comme le rapport coût-efficacité généralisé (GIoU), le rapport coût-efficacité distance (DIoU) ou le rapport coût-efficacité complet (CIoU)) directement au sein de leurs fonctions de perte. Ces pertes avancées basées sur l'indice d'utilité permettent au modèle d'apprendre à prédire des boîtes englobantes qui non seulement se chevauchent bien, mais prennent également en compte des facteurs tels que la distance entre les centres et la cohérence du rapport hauteur/largeur, ce qui permet une convergence plus rapide et de meilleures performances de localisation par rapport aux pertes de régression traditionnelles. Vous trouverez des comparaisons détaillées entre les différents modèles YOLO dans notre documentation.

Le suivi de l'IoU pendant l'entraînement du modèle et l'ajustement des hyperparamètres aide les développeurs à affiner les modèles pour une meilleure localisation. Des outils comme Ultralytics HUB permettent de suivre l'indice d'intégrité et d'autres paramètres, ce qui simplifie le cycle d'amélioration des modèles. Malgré son utilité très répandue, l'indice d'utilité standard peut parfois être insensible, en particulier pour les boîtes qui ne se chevauchent pas ou pour les boîtes d'échelles très différentes. C'est ce qui a motivé le développement des variantes de l'indice de référence mentionnées ci-dessus. Néanmoins, l'IoU reste une pierre angulaire de l'évaluation de la vision par ordinateur et un concept clé de l'apprentissage profond (DL).