インターセクション・オーバー・ユニオンIoU

Intersection over UnionIoU)は、コンピュータビジョン(CV)で使用される基本的な評価指標である。 コンピュータビジョン(CV)で使用される基本的な評価指標である。 オブジェクト検出器の精度を測定するために使用される基本的な評価指標である。学術界ではしばしば ジャカード指数と呼ばれることもあるIoU 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、地 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、手作業でラベリングされた注釈であるグランド・トゥルース・バウンディング・ボックス（物体の実際の位置を表す）である。 である。このメトリックは0から1の範囲の値を生成し、0は重なりがないことを表し、1は予測と現実の完全な一致を表す。 は予測と現実の完全な一致を表す。

IoU 仕組みを理解する

IoU 計算は概念的に簡単で、物体検出の標準的なベンチマークとなっている。 オブジェクト検出や 画像分割タスクの標準的なベンチマークとなっている。IoUは 交差領域（重なり合う領域）を結合領域（両ボックスの合計面積）で割ることによって決定される。 で割ることで求められる。）重なり領域を総面積に対して正規化することで、IoU スケール不変の尺度を提供します。 は、オブジェクトのサイズに関係なく、フィットの品質を評価します。

実用的なアプリケーションでは、IoU スコアにしきい値を適用して、予測を「正」検出と「負」検出にclassify することが多い。 検出を「正」または「負」に分類する。例えば COCO データセットベンチマークのような標準的な課題ではIoU 0.5（または 50%）の閾値が一般的に使用されます。この閾値は、精 度や を計算する上で重要です。 最終的に 平均平均精度（mAP）スコア に反映されます。

Python IoU 計算する

で提供されているユーティリティ関数を使えば、ボックス間のIoU 簡単に計算できる。 ultralytics パッケージを使用します。これはカスタム評価スクリプトや、推論中のモデルの挙動を理解するのに便利である。 を理解するのに便利です。

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

実際のアプリケーション

IoU 提供するローカライゼーションの精度は、安全性と正確性が最も重要視されるさまざまな産業で不可欠である。 重要です。

• 自動車におけるAI自律走行車の開発において 自律走行車の開発では、システム は、歩行者、他の車両、静的な障害物を正確に識別する必要があります。IoU スコアが高ければ 高いIoUスコアは、単に物体が存在するというだけでなく、その物体が車に対してどの位置にあるかを正確に認識することを保証します。この正確な この正確なローカライゼーションは、ウェイモやテスラのような先進企業が使用する軌道計画や衝突回避システムに不可欠である。 ウェイモやテスラなどが採用している。
• 医療画像解析： MRIやCTスキャンで腫瘍などの異常をdetect ためにAIを使用する場合、病変の正確な境界が診断や治療計画に大きく影響します。 診断や治療計画に大きく影響します。高いIoU 持つモデルは、医療ツールにおけるAIの正確性を保証します。 ヘルスケアツールのAIは、患部全体を正確に強調表示することができます。 健康な組織をあまり含めずに患部全体を強調表示し、放射線科医の重要な判断を支援します。 重要な判断を支援します。

モデル学習と推論におけるIoU

単純な評価にとどまらず、IoU 次のような現代的なアーキテクチャーの内部機構において積極的な役割を果たしている。 YOLO11.

• 損失関数の最適化： 従来の損失関数は、オーバーラップしないバウンディングボックスに苦労することが多い。これに対処するために 一般化IoU GIoU)、距離IoU DIoU)、完全IoU CIoU)のようなバリエーションが学習プロセスに直接組み込まれる。 プロセスに直接組み込まれている。これらのバリエーションは、ボックスが接触していない場合でも勾配を提供し、モデルがより速く収束し、より良いローカライゼーションを達成するのに役立ちます。 より良いローカリゼーションを実現します。
• 非最大抑制（NMS）： 推論中、オブジェクト検出器は1つのオブジェクトに対して複数のバウンディングボックスを出力することがあります。NMS IoU 使用して を使用します。もし2つの予測されたボックスが特定のNMS （例えば0.7）より高いIoU 持ち、同じクラスに属する場合 同じクラスに属する場合、信頼スコアの低いほうは抑制される。 が抑制され、最良の予測だけが残る。 を残す。

IoU 関連指標との比較

IoU 類似の用語と区別し、特定のタスクに適した指標を選択することが重要である。

• IoU 精度：正確さ 例：「これは猫ですか？これは がどこにあるかは考慮しない。IoU 特に定位の質を測定する（例：「箱が猫にどの程度合っているか？ この箱は猫に合っているか？）箱が緩んでいたり、位置がずれていたりすると、分類精度が高くてもIoU 低いモデルもあり得る。 位置がずれている。
• IoU ダイス係数の比較： どちらも重なりを測定し、正の相関があるが、ダイス係数（またはピクセルのF1スコア）は、より重みを与える。 を重視する。ダイススコアは、セマンティック・セグメンテーション・タスクにおいて、より一般的に優先される。 セマンティック・セグメンテーション・タスクでは、ダイス・スコアが優先されるIoU はバウンディングボックスオブジェクト検出の標準である。