Intersection over Union (IoU)

Intersection over Union (IoU) は、コンピュータビジョンにおいて2つの境界線間の重なりを測定し、オブジェクト検出器の精度を定量化するために使用される基本的なメトリクスです。技術的には Jaccard Index とも呼ばれる IoU は、予測された bounding box が、人間のアノテーターによってラベル付けされたオブジェクトの実際の場所である正解ボックス（ground truth box）とどの程度一致しているかを評価します。スコアは0から1の範囲で、0は重なりなし、1はピクセル単位で完全に一致していることを示します。このメトリクスは、YOLO26 のようなモデルの空間的な精度を評価するために不可欠であり、単純な分類を超えてシステムがオブジェクトの正確な位置を把握していることを保証します。

Link to this section重なりを測定する仕組み#

IoU の背後にある概念は直感的です。これは2つのボックスが交差する領域の面積を、両方のボックスを合わせた総面積（union）で割った比率を計算するものです。この計算では、重なりがオブジェクトの総サイズで正規化されるため、IoU はスケール不変のメトリクスとして機能します。つまり、computer vision モデルが巨大な貨物船を検出しているか、小さな昆虫を検出しているかにかかわらず、パフォーマンスを公平に評価できることを意味します。

標準的な object detection ワークフローにおいて、IoU は予測が「True Positive（真陽性）」か「False Positive（偽陽性）」かを判断するための主要なフィルターです。評価中、エンジニアは通常0.50や0.75といった特定の閾値を設定します。重なりスコアがこの数値を超えた場合、その検出は正解とみなされます。この閾値処理プロセスは、さまざまなクラスや難易度レベルにわたってモデルの精度を要約する Mean Average Precision (mAP) のような集約パフォーマンスメトリクスを計算するための前提条件となります。

Link to this section実社会での応用#

曖昧な近似が失敗や安全上の危険につながる産業において、高い空間精度は不可欠です。IoU は、AI システムが物理世界を正確に認識していることを保証します。

• 自動運転: AI in Automotive の分野では、自動運転車は歩行者が存在することを検出するだけでは不十分であり、車線に対する歩行者の正確な位置を知る必要があります。テスト中に高い IoU スコアを得ることは、autonomous vehicle の認識スタックが障害物を正確に描写できていることを証明し、安全な軌道計画と衝突回避を可能にします。
• 精密医療: AI in Healthcare において、IoU は MRI スキャンにおける腫瘍セグメンテーションなどのタスクに不可欠です。放射線科医は、medical image analysis を利用して異常の増大や縮小を測定します。高い IoU を持つモデルは、予測された境界が実際の腫瘍の端に密接に従っていることを保証し、これは放射線治療における線量の決定や健全な組織の保護のために極めて重要です。

Link to this sectionPython で IoU を計算する#

概念は幾何学的ですが、実装は数学的です。ultralytics パッケージは、IoU を効率的に計算するための最適化されたユーティリティを提供しており、これはモデルの動作の検証や予測のフィルタリングに役立ちます。

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 sectionモデルの学習と最適化における IoU#

IoU はスコアカードとしての役割を超えて、ディープラーニングネットワークの学習における能動的なコンポーネントでもあります。

• 損失関数の進化: 平均二乗誤差（MSE）のような従来の距離メトリクスでは、バウンディングボックスの幾何学的特性を捉えられないことがよくあります。現代の検出器では、Generalized IoU (GIoU) や Complete IoU (CIoU) といった IoU ベースの loss functions が利用されています。これらの高度な関数は、アスペクト比や中心点間の距離を考慮することで、neural network の収束を早めるガイドとなります。
• 重複の削除: 推論中、モデルはわずかに異なるボックスで同じオブジェクトを複数回識別することがあります。Non-Maximum Suppression (NMS) と呼ばれる手法では、IoU を使用してこれらの重複を特定します。この手法は、最も高い confidence score を持つボックスを保持し、勝者と高い IoU を持つ周囲のボックスを抑制することで、クリーンな最終出力を保証します。

Link to this section関連メトリクスと IoU の違い#

machine learning モデルを効果的に評価するためには、IoU と他の類似性メトリクスを区別することが重要です。

• IoU と精度（Accuracy）: Accuracy はモデルが正しいクラスを予測する頻度（例: 「犬」か「猫」か）を測定しますが、位置は無視されます。モデルが画像の誤った隅にボックスを描画した場合、分類精度は100%でも IoU は0%になり得ます。IoU は特にローカリゼーションの品質を対象としています。
• IoU と Dice係数: どちらのメトリクスも集合の類似性を測定しますが、Dice Coefficient（ピクセル重複の F1スコア）は交差部分により大きな重みを与えます。Dice係数は不規則な形状を含む semantic segmentation タスクの標準としてより一般的に使用され、一方、IoU は長方形のバウンディングボックス検出の標準です。

高い IoU スコアを達成するには、モデルには正確な学習データが必要です。Ultralytics Platform のようなツールは、高品質な data annotations の作成を容易にし、チームが学習を開始する前に正解ボックスを可視化して、オブジェクトにしっかりと適合していることを確認できるようにします。