Intersezione su UnioneIoU)

L'Intersezione su UnioneIoU) è una metrica di valutazione fondamentale utilizzata in computer vision (CV) per misurare l'accuratezza di un un rilevatore di oggetti su un particolare set di dati. Spesso indicato nei circoli accademici come l'indice di indice di Jaccard, l IoU quantifica il grado di sovrapposizione tra due regioni due regioni: la bounding box prevista e generata da un modello e la e il rettangolo di selezione della verità a terra, ovvero l'annotazione etichettata a mano che rappresenta la posizione effettiva dell'oggetto. oggetto. Questa metrica produce un valore che va da 0 a 1, dove 0 indica che non c'è sovrapposizione e 1 rappresenta una perfetta perfetta corrispondenza tra la previsione e la realtà.

Capire come funziona IoU

Il calcolo dell'IoU è concettualmente semplice e costituisce un parametro di riferimento standard per il rilevamento di oggetti. rilevamento di oggetti e segmentazione delle immagini. Si determina dividendo dividendo l'area di intersezione (la regione di sovrapposizione) per l'area di unione (l'area totale combinata di entrambi i riquadri). scatole). Normalizzando l'area di sovrapposizione rispetto all'area totale, IoU fornisce una misura invariante rispetto alla scala, il che significa che valuta la qualità dell'adattamento indipendentemente dall'area di sovrapposizione. valuta la qualità dell'adattamento indipendentemente dalle dimensioni dell'oggetto.

Nelle applicazioni pratiche, spesso si applica una soglia al punteggio IoU per classify una predizione come "positiva" o "negativa". "positiva" o "negativa". Ad esempio, nelle sfide standard come il COCO , una soglia IoU di 0,5 (o 50%) è comunemente usata per determinare se un rilevamento è positivo o negativo. 50%) è comunemente utilizzata per determinare se un rilevamento è valido. Questa soglia è fondamentale per il calcolo delle metriche a valle, come la precisione e la metriche a valle, come la precisione e la Recall, che alla fine confluiscono nel precisione media (mAP) utilizzato per per classificare le prestazioni del modello.

Calcolo dell IoU con Python

È possibile calcolare facilmente l'IoU tra le caselle utilizzando le funzioni di utilità fornite in ultralytics pacchetto. Questo è utile per script di valutazione personalizzati o per comprendere il comportamento del modello durante l'inferenza. inferenza.

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

Applicazioni nel mondo reale

La precisione della localizzazione fornita da IoU è fondamentale in diversi settori in cui la sicurezza e l'accuratezza sono fondamentali. fondamentali.

• L'intelligenza artificiale nel settore automobilistico: Nello sviluppo di veicoli sviluppo di veicoli autonomi, i sistemi devono distinguere accuratamente tra pedoni, altri veicoli e ostacoli statici. Un punteggio IoU elevato garantisce che il sistema di percezione sa esattamente dove si trova un oggetto rispetto all'auto, non solo che esiste. Questa precisa localizzazione precisa è essenziale per la pianificazione della traiettoria e per i sistemi di prevenzione delle collisioni utilizzati da leader come Waymo e Tesla. Waymo e Tesla.
• Analisi delle immagini mediche: Quando si utilizza l'intelligenza artificiale per detect anomalie come i tumori nelle scansioni MRI o CT, il confine esatto della lesione è importante per la diagnosi e la pianificazione del trattamento. per la diagnosi e la pianificazione del trattamento. Un modello con un'elevata IoU garantisce che l'IoU negli strumenti sanitari IA negli strumenti sanitari evidenzi con precisione l'intera area l'intera area interessata senza includere troppo tessuto sano, assistendo i radiologi nel prendere decisioni critiche.

IoU nell'addestramento e nell'inferenza dei modelli

Al di là della semplice valutazione, l IoU svolge un ruolo attivo nella meccanica interna delle architetture moderne, come ad esempio YOLO11.

• Ottimizzazionedella funzione di perdita: Le funzioni di perdita tradizionali spesso hanno difficoltà con caselle di delimitazione che non si sovrappongono. Per risolvere questo problema, sono state introdotte varianti come IoU generalizzataGIoU), IoU a distanzaDIoU) e IoU completaCIoU) sono incorporate direttamente nel processo di formazione. processo di addestramento. Queste varianti forniscono gradienti anche quando le caselle non si toccano, aiutando il modello a convergere più velocemente e a ottenere una migliore localizzazione. una migliore localizzazione.
• Soppressione non massima (NMS): Durante l'inferenza, un rilevatore di oggetti può produrre più bounding box per un singolo oggetto. NMS utilizza IoU per filtrare questi risultati. Se due riquadri previsti hanno un IoU superiore a una specifica soglia NMS (ad esempio, 0,7) e appartengono alla stessa classe, quello con l'IoU più basso viene eliminato. alla stessa classe, quella con il punteggio di confidenza più basso viene soppressa. punteggio di confidenza più basso viene soppresso, lasciando solo la previsione migliore. predizione migliore.

IoU vs. metriche correlate

È importante distinguere l IoU da termini simili per selezionare la metrica giusta per il vostro compito specifico.

• IoU vs. Precisione: L'accuratezza di solito misura la percentuale di classificazioni corrette (ad esempio, "È un gatto?"). Non tiene conto della dove si trova l'oggetto. IoU misura specificamente la qualità della localizzazione (ad esempio, "Quanto bene si adatta la scatola al gatto? quanto la scatola si adatta al gatto?"). Un modello può avere un'elevata accuratezza di classificazione ma un basso IoU se le scatole sono allentate o disallineate. disallineate.
• IoU vs. Coefficiente Dice: Sebbene entrambi misurino la sovrapposizione e siano correlati positivamente, il coefficiente Dice (o punteggio F1 dei pixel) dà più peso all'intersezione. peso all'intersezione. Il punteggio Dice è più comunemente prioritario nei compiti di segmentazione semantica. segmentazione semantica, mentre l IoU è lo standard per il IoU è lo standard per il rilevamento di oggetti bounding box.