インターセクション・オーバー・ユニオンIoU

交差率（Intersection over Union,IoU）は、特定のデータセットにおける物体検出器の精度を測定するためにコンピュータビジョンで使用される基本的な指標である。しばしばジャッカード指数とも呼ばれ、2つの境界（真の境界ボックス（実際の物体の位置）と予測境界ボックス（モデルの推測））の重なりを定量化する。IoU 0から1の範囲で、0は重複なし、1は完全一致を示す。この指標は、YOLO26のようなモデルが画像内でオブジェクトをどれだけ正確に特定できるかを評価する上で不可欠であり、単純な分類を超えた空間的精度を測定する。

IoU

IoU 概念はIoU ：2つのボックスが重なる領域（交差）と、両ボックスが覆う総面積（和）の比率を算出する。重なり部分を総面積で正規化するため、IoU スケール不変の指標IoU 。つまり、対象が大型車両であれ小型の交通標識であれ、効果的に性能を評価できる。

実用的な物体検出ワークフローでは、IoU を用いて予測が「真陽性」か「偽陽性」かを判定する。 通常、閾値が設定されます。COCO などのベンチマークでは一般的に0.5または0.75です。IoU がこの閾値を超える場合、検出は正しいと見なされます。この閾値設定は、異なるクラスや閾値にわたる性能を集約する平均精度（mAP）などのより複雑な指標を計算する前段階となります。

実際のアプリケーション

安全性と信頼性が最優先される産業において、IoU 提供する精度は極めてIoU 。

• 自動車分野におけるAI： 自動運転車にとって、単に歩行者の存在を認識するだけでは不十分です。システムは安全な経路を計画するために、歩行者の正確な位置を把握しなければなりません。テストにおける高いIoU スコアは、車両の知覚システムが物理的現実と密接に一致していることを保証し、衝突リスクを低減します。
• 医療画像解析： 医療分野では、モデルがMRIスキャンにおける腫瘍などの異常を識別する。高いIoU は、医療AIソリューションが腫瘍の境界を正確に描出していることをIoU 、これは腫瘍サイズの算出や、健康な組織を損傷せずに放射線治療を計画する上で極めて重要である。

Python IoU 計算する

IoU を理解するには、実践的な例がIoU 。 ultralytics パッケージには、IoU 計算するための最適化されたユーティリティ関数が含まれており、カスタム評価やモデル挙動の理解に役立ちます。

import torch
from ultralytics.utils.metrics import box_iou

# Define ground truth and predicted boxes in (x1, y1, x2, y2) format
# Example: Ground truth box [50, 50, 150, 150] vs Predicted box [60, 60, 160, 160]
ground_truth = torch.tensor([[50, 50, 150, 150]])
prediction = torch.tensor([[60, 60, 160, 160]])

# Calculate Intersection over Union
iou_score = box_iou(ground_truth, prediction)

print(f"IoU Score: {iou_score.item():.4f}")
# Output: IoU Score: 0.6806

モデルトレーニングIoU

評価を超えて、IoU 現代的な検出器の学習過程において積極的にIoU 。

• 損失関数の最適化: 平均二乗誤差（MSE）のような従来の損失関数は、バウンディングボックス回帰には非効率的である可能性がある。 高度な 一般化IoU GIoU）、IoU DIoU）、 IoU CIoU） IoU 損失関数として頻繁に使用される。これらの変種は ボックス中心間の距離やアスペクト比の一貫性といった要素を考慮することで、より優れた勾配とより速い収束を提供する。
• 非最大抑制（NMS）： 推論中、モデルは同一物体に対して複数の検出ボックスを予測する場合がある。IoU これらの重複検出IoU 、 最高信頼度スコアを持つボックスのみを保持し、 高重なり（IoU）を持つものを抑制IoU 、 クリーンな最終出力を保証する。

IoU 関連指標の区別

タスクに適した指標を選択するためには、IoU 類似の評価概念IoU 区別することが有用である。

• IoU対精度：精度とは通常、画像分類（正しいラベル対誤ったラベル）を指し、空間的な位置特定を評価するものではない。モデルは「犬」を正しくラベル付けIoU ボックスを誤った位置に描画IoU 、高い分類精度を持ちながらもIoU となる可能性がある。IoU 位置特定品質を評価対象とする。
• IoU ：両者とも集合の類似性を測定するが、 ダイス係数（ピクセル重複のF1スコア）は 共通部分をより重視し、通常は意味的セグメンテーションの標準指標である。 一方、IoU ジャッカード指標）は 一般的に誤りをより厳しく罰し、 バウンディングボックス検出タスクの標準指標として残っている。