Intersection over Union（IoU）

Intersection over Union（IoU）は、特にコンピュータビジョン（CV）、中でも物体検出タスクで使用される基本的な評価指標です。これは、モデルによって生成された予測バウンディングボックスと、手作業でラベル付けされた正しいアウトラインである正解バウンディングボックスという、2つの境界間の重複を測定します。結果として得られるスコア（0〜1の値）は、モデルが画像内のオブジェクトをどの程度正確に特定したかを定量化します。スコア1は完全に一致することを表し、スコア0はまったく重複がないことを示します。この指標は、Ultralytics YOLO11のようなモデルのローカリゼーション精度を評価する上で非常に重要です。

IoUはどのように機能しますか？

IoUは、本質的に、予測されたバウンディングボックスと正解のバウンディングボックスの交差（重なり合う領域）と和（両方のボックスで覆われた総面積）の比率を計算します。2つの重なり合う正方形を想像してください。「交差」は、それらが重なり合う共有領域です。「和」は、両方の正方形が覆う総面積を組み合わせたもので、重なり合う部分は1回だけカウントされます。交差を和で割ることにより、IoUは、予測されたボックスが実際のオブジェクトとどれだけうまく一致しているかの標準化された尺度を提供します。このシンプルでありながら強力な概念は、オブジェクト検出のための最新の深層学習（DL）の基礎です。

IoUを使用する上で重要な部分は、「IoU閾値」を設定することです。この閾値は、予測が正しいかどうかを判断する事前定義された値（例：0.5）です。予測されたボックスのIoUスコアがこの閾値を超えている場合、「真陽性」として分類されます。スコアが下回っている場合は、「偽陽性」です。この閾値は、精度や再現率などの他のパフォーマンスメトリックに直接影響し、平均適合率（mAP）の計算における重要な要素であり、COCOなどのベンチマークデータセットでオブジェクト検出モデルを評価するための標準的なメトリックです。

実際のアプリケーション

IoUは、数え切れないほどのAIシステムのパフォーマンスを検証するために不可欠です。いくつかの例を次に示します。

1. 自動運転: 自動運転車向けAIでは、IoUは、車のビジョンシステムが歩行者、他の車両、および交通標識をどれだけうまく検出するかを評価するために使用されます。高いIoUスコアは、予測されたバウンディングボックスが正確であることを保証し、安全なナビゲーションと衝突回避に不可欠です。Waymoのような企業は、自律システムの安全性において、正確な物体検出に大きく依存しています。
2. 医用画像：医用画像解析では、IoUはMRIやCTなどのスキャンで腫瘍や病変のような異常を識別するモデルの精度を評価するのに役立ちます。正確な局在特定は治療計画に不可欠であり、IoUはモデルの予測が臨床的に有用かどうかを測る信頼できる尺度を提供します。これは、YOLOモデルを使用した腫瘍検出のようなアプリケーションで重要です。

IoUによるモデルパフォーマンスの向上

IoUは単なる評価指標ではありません。トレーニングプロセス自体にも不可欠です。 Ultralytics YOLOv8およびYOLO11のバリアントを含む、多くの最新の物体検出アーキテクチャは、損失関数内でIoUまたはそのバリエーションを直接使用します。 Generalized IoU（GIoU）、Distance-IoU（DIoU）、Complete-IoU（CIoU）などのこれらの高度なIoUベースの損失は、モデルが適切に重複するだけでなく、中心間の距離やアスペクト比の一貫性などの要素も考慮したバウンディングボックスを予測することを学習するのに役立ちます。 これにより、従来の回帰損失と比較して、収束が速くなり、ローカリゼーションのパフォーマンスが向上します。 詳細なさまざまなYOLOモデル間の比較は、ドキュメントに記載されています。

モデルトレーニングおよびハイパーパラメータ調整中のIoUを監視することで、開発者はローカリゼーションを向上させるためにモデルを改良できます。Ultralytics HUBのようなツールを使用すると、IoUやその他のメトリクスを追跡し、モデル改善サイクルを効率化できます。その広範な有用性にもかかわらず、標準的なIoUは、特に重複しないボックスの場合には、感度が低い場合があります。この制限により、前述のIoUバリアントの開発が促進されました。それにもかかわらず、IoUはコンピュータビジョン評価の基礎であり続けています。

IoUとその他の指標

IoUは非常に重要ですが、他の指標との関係を理解することが重要です。

• IoUと精度: 精度は、分類タスクで一般的な指標であり、正しい予測の割合を測定します。ただし、位置特定のエラーを考慮していないため、物体検出には適していません。予測はオブジェクトを正しく分類する可能性がありますが、バウンディングボックスの配置が不十分な場合があります。IoUは、ローカリゼーションの品質を測定することにより、これを具体的に解決します。
• IoUと平均適合率（mAP）: これらの用語は関連していますが、異なります。IoUは、単一の予測されたバウンディングボックスの品質を測定します。対照的に、mAPは、データセット内のすべてのオブジェクトとクラスにわたるモデルのパフォーマンスを評価する包括的な指標です。これは、複数のIoUしきい値とすべてのクラスにわたって適合率の値を平均することによって計算されます。基本的に、IoUはmAPを計算するための構成要素です。この関係の詳細な説明は、YOLOパフォーマンス指標に関するガイドにあります。
• IoUとF1スコア: F1スコアは、適合率と再現率の調和平均であり、分類でよく使用されます。適合率と再現率はmAPの計算に使用されますが、F1スコア自体はIoUのようにローカリゼーションの品質を直接測定しません。これは、すべての肯定的なインスタンスを見つけることと、それらの調査結果の正確さのバランスに重点を置いています。