유니온을 통한 교차점IoU

유니온을 통한 교차점IoU은 컴퓨터 비전에서 컴퓨터 비전(CV)에서 사용되는 기본 평가 지표입니다. 정확도를 측정하는 데 사용되는 기본적인 평가 지표입니다. 학계에서는 흔히 Jaccard 지수로도 불리는 IoU 두 영역의 중첩 정도를 정량화합니다. 두 영역: 모델에 의해 생성된 예측된 바운딩 박스와 모델에 의해 생성된 예측된 바운딩 박스와 객체의 실제 위치를 나타내는 수작업으로 라벨이 지정된 주석인 오브젝트의 실제 위치를 나타내는 수작업 주석입니다. 이 메트릭은 0에서 1 사이의 값을 생성하며, 0은 겹침이 없음을 나타내고 1은 예측과 현실이 완벽하게 일치함을 나타냅니다. 완벽하게 일치함을 나타냅니다.

IoU 작동 방식 이해

IoU 계산은 개념적으로 간단하기 때문에 다음과 같은 표준 벤치마크가 됩니다. 객체 감지 및 이미지 분할 작업의 표준 벤치마크입니다. 다음과 같이 결정됩니다. 교차 영역(겹치는 영역)을 합집합 영역(두 개의 상자). 전체 면적에 대해 겹치는 면적을 정규화함으로써 IoU 스케일 불변 측정값을 제공합니다. 물체의 크기에 관계없이 맞춤의 품질을 평가합니다.

실제 애플리케이션에서는 종종 임계값을 IoU 점수에 적용하여 예측을 "양성" 또는 "음성" 탐지로 분류합니다. 예를 들어, 다음과 같은 표준 과제에서 COCO 데이터 세트 벤치마크와 같은 표준 과제에서는 0.5(또는 50%)가 일반적으로 탐지가 유효한지 판단하는 데 사용됩니다. 이 임계값은 정밀도 및 정확도와 같은 다운스트림 정확도 및 리콜과 같은 다운스트림 메트릭을 계산하는 데 중요하며, 이는 궁극적으로 평균 평균 정밀도(mAP) 점수 모델 성능 순위를 매기는 데 사용됩니다.

Python IoU 계산하기

에서 제공하는 유틸리티 함수를 사용하여 상자 간 IoU 쉽게 계산할 수 있습니다. ultralytics 패키지가 필요합니다. 이는 사용자 지정 평가 스크립트나 추론 중 모델 동작을 이해하는 데 유용합니다. 추론하는 동안 모델 동작을 이해하는 데 유용합니다.

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

실제 애플리케이션

IoU 제공하는 정밀한 로컬라이제이션은 안전과 정확성이 가장 중요한 다양한 산업 분야에서 매우 중요합니다.

• 자동차 분야의 AI: 자율주행차 개발에서 자율 주행 차량 개발에서 시스템 은 보행자, 다른 차량, 정적 장애물을 정확하게 구분해야 합니다. 높은 IoU 점수는 다음을 보장합니다. 인식 시스템이 물체의 존재 여부뿐만 아니라 차량과 상대적인 위치를 정확히 파악할 수 있습니다. 이러한 정밀한 로컬라이제이션은 다음과 같은 선두 업체에서 사용하는 궤적 계획 및 충돌 방지 시스템에 필수적입니다. 웨이모와 테슬라.
• 의료 이미지 분석: AI를 사용하여 MRI 또는 CT 스캔에서 종양과 같은 이상 징후를 detect 때 병변의 정확한 경계가 중요한데 진단과 치료 계획에 매우 중요합니다. IoU 높은 모델을 사용하면 의료 도구의 AI가 정확하게 건강한 조직을 너무 많이 포함하지 않고 전체 환부를 강조하여 영상의학과 전문의가 중요한 결정을 내릴 때 중요한 결정을 내리는 데 도움을 줍니다.

모델 학습 및 추론에서의 IoU

단순한 평가를 넘어 IoU 다음과 같은 최신 아키텍처의 내부 메커니즘에서 적극적인 역할을 합니다. YOLO11.

• 손실 함수 최적화: 기존의 손실 함수는 겹치지 않는 바운딩 박스로 인해 어려움을 겪는 경우가 많습니다. 이를 해결하기 위해 다음과 같은 변형이 사용됩니다. 일반화된 IoU GIoU, 거리 IoU DIoU, 완전 IoU CIoU가 훈련 프로세스에 직접 통합됩니다. 프로세스에 직접 통합됩니다. 이러한 변형은 박스가 닿지 않는 경우에도 그라데이션을 제공하여 모델이 더 빠르게 수렴하고 더 나은 현지화를 달성할 수 있습니다.
• 비 최대 억제(NMS): 추론하는 동안 객체 감지기는 단일 객체에 대해 여러 개의 바운딩 박스를 출력할 수 있습니다. NMS IoU 사용하여 이러한 결과를 필터링합니다. 두 개의 예측된 박스의 IoU 특정 NMS 임계값(예: 0.7)보다 높고 같은 클래스에 속하는 경우 같은 클래스에 속하는 경우, 신뢰도 점수가 더 낮은 신뢰도 점수가 낮은 예측은 제외되고 가장 좋은 예측만 남습니다.

IoU 관련 지표

특정 작업에 적합한 지표를 선택하려면 IoU 유사한 용어와 구별하는 것이 중요합니다.

• IoU 대 정확도: 정확도: 정확도는 일반적으로 는 정확한 분류의 비율을 측정합니다(예: "고양이인가요?"). 객체가 어디에 있는지는 고려하지 않습니다. 개체가 어디에 있는지는 고려하지 않습니다. IoU 구체적으로 로컬라이제이션의 품질을 측정합니다(예: "상자가 고양이에 얼마나 잘 맞나요?"). 상자가 고양이에게 얼마나 잘 맞나요?"). 상자가 헐거워지거나 잘못 정렬된 경우.
• IoU 대 주사위 계수: 두 측정값이 겹치고 양의 상관관계가 있지만, 주사위 계수(또는 픽셀의 F1 점수)가 교차점에 더 많은 교차점에 더 많은 가중치를 부여합니다. 주사위 점수는 일반적으로 다음과 같은 작업에서 우선순위가 더 높습니다. 시맨틱 분할 작업에서 더 일반적으로 우선순위를 부여하는 반면, IoU 바운딩 박스 객체 감지의 표준입니다.