Glossaire

Intersection sur l'Union (IoU)

Découvrez ce qu'est l'intersection sur l'union (IoU), comment elle est calculée et son rôle essentiel dans la détection des objets et l'évaluation des modèles d'IA.

L'intersection sur l'union (IoU) est une mesure d'évaluation fondamentale utilisée dans le domaine de la vision artificielle (CV), en particulier pour les tâches de détection d'objets. Elle mesure le chevauchement entre deux limites : la boîte de délimitation prédite générée par un modèle et la boîte de délimitation de vérité, qui est le contour correct étiqueté à la main. Le score obtenu, une valeur comprise entre 0 et 1, quantifie la précision avec laquelle un modèle a localisé un objet dans une image. Un score de 1 représente une correspondance parfaite, tandis qu'un score de 0 indique qu'il n'y a aucun chevauchement. Cette mesure est essentielle pour évaluer la précision de localisation de modèles comme Ultralytics YOLO11.

Comment fonctionne l'IdO

À la base, l'indice d'utilité calcule le rapport entre l'intersection (zone de chevauchement) et l'union (zone totale couverte par les deux boîtes) des boîtes de délimitation prédites et des boîtes de délimitation réelles. Imaginez deux carrés qui se chevauchent. L'"intersection" est la zone partagée où ils se chevauchent. L'"union" est la zone totale que les deux carrés couvrent ensemble, en ne comptant la partie qui se chevauche qu'une seule fois. En divisant l'intersection par l'union, l'indice d'utilité fournit une mesure normalisée de l'alignement de la boîte prédite sur l'objet réel. Ce concept simple mais puissant est la pierre angulaire de l'apprentissage profond moderne pour la détection d'objets.

L'un des éléments clés de l'utilisation de l'indice de confiance est la définition d'un "seuil d'indice de confiance". Ce seuil est une valeur prédéfinie (par exemple, 0,5) qui détermine si une prédiction est correcte. Si le score de l'indice d'utilité d'une boîte prédite est supérieur à ce seuil, elle est classée comme "vrai positif". Si le score est inférieur, il s'agit d'un "faux positif". Ce seuil influence directement d'autres mesures de performance telles que la précision et le rappel, et constitue un élément essentiel dans le calcul de la précision moyenne (mAP), une mesure standard pour l'évaluation des modèles de détection d'objets sur des ensembles de données de référence tels que COCO.

Applications dans le monde réel

L'expérience acquise est essentielle pour valider les performances d'innombrables systèmes d'intelligence artificielle. En voici quelques exemples :

  1. Conduite autonome: Dans le domaine de l'IA pour les voitures autonomes, l'indice d'utilité est utilisé pour évaluer la capacité du système de vision de la voiture à détecter les piétons, les autres véhicules et les panneaux de signalisation. Un score élevé d'IoU garantit la précision des zones de délimitation prédites, ce qui est essentiel pour la sécurité de la navigation et l'évitement des collisions. Des entreprises comme Waymo s'appuient fortement sur la précision de la détection des objets pour assurer la sécurité de leurs systèmes autonomes.
  2. Imagerie médicale: Dans le domaine de l'analyse d'images médicales, l'unité de référence permet d'évaluer la précision des modèles qui identifient des anomalies telles que des tumeurs ou des lésions dans des examens tels que l'IRM ou la tomodensitométrie. Une localisation précise est essentielle pour la planification du traitement, et l'indice d'utilité fournit une mesure fiable de l'utilité clinique de la prédiction d'un modèle. Cet aspect est crucial pour des applications telles que la détection de tumeurs à l'aide de modèles YOLO.

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 YOLO11, utilisent le rapport coût-efficacité ou ses variations directement dans leurs fonctions de perte. Ces pertes avancées basées sur l'indice d'utilité, telles que l'indice d'utilité généralisé (GIoU), l'indice de distance (DIoU) ou l'indice d'utilité complet (CIoU), permettent au modèle d'apprendre à prédire des boîtes de délimitation qui non seulement se chevauchent bien, mais qui prennent également en compte des facteurs tels que la distance entre les centres et la cohérence du rapport d'aspect. Cela 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. C'est cette limitation qui a motivé le développement des variantes de la méthode de calcul de l'indice d'intégrité susmentionnées. Néanmoins, l'indice d'utilité reste une pierre angulaire de l'évaluation de la vision par ordinateur.

Identité d'utilisateur par rapport à d'autres indicateurs

Si le taux d'utilisation est essentiel, il est important de comprendre sa relation avec d'autres indicateurs :

  • Taux d'utilisation par rapport à la précision: La précision est une mesure courante dans les tâches de classification, mesurant le pourcentage de prédictions correctes. Cependant, elle n'est pas adaptée à la détection d'objets car elle ne tient pas compte de l'erreur de localisation. Une prédiction peut classer correctement un objet mais mal placer la boîte englobante. L'IoU s'attaque spécifiquement à ce problème en mesurant la qualité de la localisation.
  • IoU vs. précision moyenne (mAP): Ces termes sont liés mais distincts. L'indice d'utilité mesure la qualité d'une seule boîte englobante prédite. En revanche, la mAP est une mesure globale qui évalue les performances du modèle pour tous les objets et toutes les classes d'un ensemble de données. Elle est calculée en faisant la moyenne des valeurs de précision pour plusieurs seuils d'indice d'utilité et pour toutes les classes. Essentiellement, l'indice d'utilité est un élément de base pour le calcul du mAP. Une explication détaillée de cette relation est disponible dans notre guide des mesures de performance YOLO.
  • IoU vs. F1-Score: Le score F1 est la moyenne harmonique de la précision et du rappel et est souvent utilisé dans la classification. Alors que la précision et le rappel sont utilisés dans le calcul du mAP, le score F1 lui-même ne mesure pas directement la qualité de la localisation comme le fait l'indice d'utilité. Il est davantage axé sur l'équilibre entre la recherche de toutes les instances positives et l'exactitude de ces résultats.

Rejoindre la communauté Ultralytics

Rejoignez l'avenir de l'IA. Connectez-vous, collaborez et évoluez avec des innovateurs mondiaux.

S'inscrire
Lien copié dans le presse-papiers