Intersection over Union (IoU)

La Intersection over Union (IoU) è una metrica fondamentale utilizzata nella computer vision per quantificare l'accuratezza di un rilevatore di oggetti misurando la sovrapposizione tra due contorni. Spesso tecnicamente chiamata Jaccard Index, la IoU valuta quanto bene un bounding box predetto si allinea con il box di ground truth, ovvero la posizione reale dell'oggetto come etichettata da un annotatore umano. Il punteggio varia da 0 a 1, dove 0 indica nessuna sovrapposizione e 1 rappresenta una corrispondenza perfetta pixel per pixel. Questa metrica è essenziale per valutare la precisione spaziale di modelli come YOLO26, andando oltre la semplice classificazione per garantire che il sistema sappia esattamente dove si trova un oggetto.

Link to this sectionLe meccaniche di misurazione della sovrapposizione#

Il concetto alla base della IoU è intuitivo: calcola il rapporto tra l'area in cui due box si intersecano e l'area totale coperta da entrambi i box combinati (l'unione). Poiché questo calcolo normalizza la sovrapposizione rispetto alla dimensione totale degli oggetti, la IoU funge da metrica invariante rispetto alla scala. Ciò significa che fornisce una valutazione equa delle prestazioni, indipendentemente dal fatto che il modello di computer vision stia rilevando una nave cargo enorme o un minuscolo insetto.

Nei flussi di lavoro standard di object detection, la IoU è il filtro principale per determinare se una previsione sia un "True Positive" o un "False Positive". Durante la valutazione, gli ingegneri impostano una soglia specifica, comunemente 0,50 o 0,75. Se il punteggio di sovrapposizione supera questo numero, il rilevamento viene conteggiato come corretto. Questo processo di soglia è un prerequisito per calcolare metriche di prestazione aggregate come la Mean Average Precision (mAP), che riassume l'accuratezza del modello su diverse classi e livelli di difficoltà.

Link to this sectionApplicazioni nel mondo reale#

Un'elevata precisione spaziale è critica in settori in cui approssimazioni vaghe possono portare a fallimenti o rischi per la sicurezza. La IoU garantisce che i sistemi di AI stiano percependo il mondo fisico in modo accurato.

• Guida autonoma: Nel campo dell'AI in Automotive, le auto a guida autonoma devono fare molto più che rilevare semplicemente che un pedone esiste; devono conoscere la posizione precisa del pedone rispetto alla corsia. Punteggi IoU elevati durante i test convalidano che lo stack di percezione del veicolo autonomo possa delineare accuratamente gli ostacoli, consentendo una pianificazione sicura della traiettoria e la prevenzione delle collisioni.
• Medicina di precisione: Per l'AI in Healthcare, la IoU è vitale per attività come la segmentazione dei tumori nelle scansioni MRI. I radiologi si affidano alla medical image analysis per misurare la crescita o la riduzione delle anomalie. Un modello con una IoU elevata garantisce che il bordo predetto segua da vicino il bordo effettivo del tumore, il che è cruciale per determinare il dosaggio nella radioterapia e preservare il tessuto sano.

Link to this sectionCalcolo della IoU con Python#

Sebbene il concetto sia geometrico, l'implementazione è matematica. Il pacchetto ultralytics fornisce utilità ottimizzate per calcolare la IoU in modo efficiente, utile per verificare il comportamento del modello o filtrare le previsioni.

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 sectionLa IoU nell'addestramento e nell'ottimizzazione del modello#

Oltre a fungere da scorecard, la IoU è una componente attiva nell'addestramento delle reti di deep learning.

• Evoluzione della funzione di perdita: Le metriche di distanza tradizionali come il Mean Squared Error (MSE) spesso non riescono a catturare le proprietà geometriche dei bounding box. I rilevatori moderni utilizzano loss functions basate sulla IoU, come la Generalized IoU (GIoU) e la Complete IoU (CIoU). Queste funzioni avanzate guidano la neural network a convergere più velocemente considerando i rapporti di aspetto e le distanze dei punti centrali.
• Rimozione dei duplicati: Durante l'inferenza, un modello potrebbe identificare lo stesso oggetto più volte con box leggermente diversi. Una tecnica chiamata Non-Maximum Suppression (NMS) utilizza la IoU per identificare questi duplicati sovrapposti. Mantiene il box con il confidence score più alto e sopprime i box circostanti che hanno una IoU elevata con il vincitore, garantendo un output finale pulito.

Link to this sectionDistinguere la IoU da metriche correlate#

Per valutare efficacemente i modelli di machine learning, è importante distinguere la IoU da altre metriche di similarità.

• IoU vs. Accuratezza: Mentre l'Accuracy misura quanto spesso un modello predice la classe corretta (es. "Cane" vs. "Gatto"), ignora la posizione. Un modello potrebbe avere un'accuratezza di classificazione del 100% ma una IoU dello 0% se disegna il box nell'angolo sbagliato dell'immagine. La IoU si concentra specificamente sulla qualità della localizzazione.
• IoU vs. Coefficiente di Dice: Entrambe le metriche misurano la similarità degli insiemi, ma il Dice Coefficient (punteggio F1 della sovrapposizione dei pixel) dà più peso all'intersezione. Il Dice è più comunemente lo standard per le attività di semantic segmentation che coinvolgono forme irregolari, mentre la IoU è lo standard per il rilevamento di bounding box rettangolari.

Per ottenere punteggi IoU elevati, i modelli richiedono dati di addestramento precisi. Strumenti come la Ultralytics Platform facilitano la creazione di data annotations di alta qualità, consentendo ai team di visualizzare i box di ground truth e assicurarsi che si adattino strettamente agli oggetti prima che inizi l'addestramento.