IoU (Intersection over Union, 교차 영역)

IoU(Intersection over Union)는 컴퓨터 비전(CV)에서, 특히 객체 탐지 작업에 사용되는 기본적인 평가 지표입니다. 이는 모델이 생성한 예측 바운딩 박스와 손으로 직접 레이블링한 정확한 외곽선인 실제 바운딩 박스 간의 겹치는 정도를 측정합니다. 결과 점수는 0과 1 사이의 값으로, 모델이 이미지 내에서 객체의 위치를 얼마나 정확하게 찾아냈는지 수치화합니다. 1점은 완벽하게 일치함을 나타내고, 0점은 전혀 겹치지 않음을 나타냅니다. 이 지표는 Ultralytics YOLO11과 같은 모델의 위치 정확도를 평가하는 데 매우 중요합니다.

IoU는 어떻게 작동하나요?

핵심적으로 IoU는 예측된 바운딩 박스와 실제 바운딩 박스의 교차 영역(겹치는 영역)과 합집합 영역(두 박스가 덮는 총 영역)의 비율을 계산합니다. 두 개의 겹치는 사각형을 상상해 보십시오. "교차"는 겹치는 공유 영역입니다. "합집합"은 두 사각형이 덮는 총 영역을 합한 것으로, 겹치는 부분은 한 번만 계산합니다. IoU는 교차 영역을 합집합 영역으로 나누어 예측된 상자가 실제 객체와 얼마나 잘 정렬되어 있는지에 대한 표준화된 측정값을 제공합니다. 이 간단하지만 강력한 개념은 객체 감지를 위한 최신 딥러닝(DL)의 초석입니다.

IoU를 사용할 때 중요한 부분은 "IoU 임계값"을 설정하는 것입니다. 이 임계값은 예측이 올바른지 여부를 결정하는 미리 정의된 값(예: 0.5)입니다. 예측된 상자에 대한 IoU 점수가 이 임계값보다 높으면 "True Positive"로 분류됩니다. 점수가 낮으면 "False Positive"입니다. 이 임계값은 정밀도(Precision) 및 재현율(Recall)과 같은 다른 성능 지표에 직접적인 영향을 미치며, 평균 정밀도(mAP)를 계산하는 데 중요한 요소입니다. mAP는 COCO와 같은 벤치마크 데이터 세트에서 객체 감지 모델을 평가하는 표준 지표입니다.

실제 애플리케이션

IoU는 수많은 AI 시스템의 성능을 검증하는 데 필수적입니다. 몇 가지 예를 들어보겠습니다.

1. 자율 주행: 자율 주행차를 위한 AI에서 IoU는 자동차의 비전 시스템이 보행자, 다른 차량 및 교통 표지판을 얼마나 잘 감지하는지 평가하는 데 사용됩니다. 높은 IoU 점수는 예측된 경계 상자가 정확한지 확인하며, 이는 안전한 내비게이션과 충돌 방지에 매우 중요합니다. Waymo와 같은 회사는 자율 시스템의 안전을 위해 정확한 객체 감지에 크게 의존합니다.
2. 의료 영상: 의료 영상 분석에서 IoU는 MRI 또는 CT와 같은 스캔에서 종양 또는 병변과 같은 이상 징후를 식별하는 모델의 정확도를 평가하는 데 도움이 됩니다. 정확한 위치 파악은 치료 계획에 매우 중요하며 IoU는 모델의 예측이 임상적으로 유용한지 여부에 대한 신뢰할 수 있는 척도를 제공합니다. 이는 YOLO 모델을 사용한 종양 감지와 같은 애플리케이션에서 매우 중요합니다.

IoU를 사용한 모델 성능 향상

IoU는 단순한 평가 지표일 뿐만 아니라 훈련 과정 자체에도 필수적입니다. Ultralytics YOLOv8 및 YOLO11의 변형을 포함한 많은 최신 객체 탐지 아키텍처는 손실 함수 내에서 직접 IoU 또는 그 변형을 사용합니다. GIoU(Generalized IoU), DIoU(Distance-IoU) 또는 CIoU(Complete-IoU)와 같은 이러한 고급 IoU 기반 손실은 모델이 겹치는 정도뿐만 아니라 중심 간의 거리 및 종횡비 일관성과 같은 요소도 고려하여 바운딩 박스를 예측하도록 학습하는 데 도움이 됩니다. 이를 통해 기존 회귀 손실에 비해 더 빠른 수렴과 더 나은 위치 성능을 얻을 수 있습니다. 자세한 내용은 문서에서 다양한 YOLO 모델 간의 비교를 확인할 수 있습니다.

모델 학습 및 하이퍼파라미터 튜닝 중 IoU를 모니터링하면 개발자가 더 나은 로컬리제이션을 위해 모델을 개선하는 데 도움이 됩니다. Ultralytics HUB와 같은 도구를 사용하면 IoU 및 기타 지표를 추적하여 모델 개선 주기를 간소화할 수 있습니다. 널리 사용됨에도 불구하고 표준 IoU는 특히 겹치지 않는 상자의 경우 때때로 둔감할 수 있습니다. 이러한 제한으로 인해 앞서 언급한 IoU 변형이 개발되었습니다. 그럼에도 불구하고 IoU는 컴퓨터 비전 평가의 초석으로 남아 있습니다.

IoU vs. 기타 지표

IoU도 중요하지만, 다른 지표와의 관계를 이해하는 것이 중요합니다.

• IoU 대 정확도: 정확도는 분류 작업에서 일반적인 메트릭으로, 올바른 예측의 백분율을 측정합니다. 그러나 이는 위치 오류를 고려하지 않기 때문에 객체 감지에는 적합하지 않습니다. 예측이 객체를 올바르게 분류하더라도 바운딩 박스를 잘못 배치할 수 있습니다. IoU는 특히 위치 품질을 측정하여 이를 해결합니다.
• IoU 대 평균 정밀도(mAP): 이러한 용어는 관련되어 있지만 다릅니다. IoU는 단일 예측된 바운딩 박스의 품질을 측정합니다. 대조적으로 mAP는 데이터 세트의 모든 객체 및 클래스에서 모델의 성능을 평가하는 포괄적인 메트릭입니다. 이는 여러 IoU 임계값과 모든 클래스에서 정밀도 값을 평균하여 계산됩니다. 기본적으로 IoU는 mAP를 계산하기 위한 빌딩 블록입니다. 이 관계에 대한 자세한 설명은 YOLO 성능 메트릭 가이드에서 확인할 수 있습니다.
• IoU 대 F1 점수: F1 점수는 정밀도와 재현율의 조화 평균이며 분류에 자주 사용됩니다. 정밀도와 재현율은 mAP를 계산하는 데 사용되지만 F1 점수 자체는 IoU와 같은 위치 품질을 직접 측정하지 않습니다. 이는 모든 긍정적인 인스턴스를 찾는 것과 해당 결과의 정확성 간의 균형에 더 중점을 둡니다.