Intersection over Union (IoU)

Intersection over Union (IoU)은 두 경계 사이의 겹침 정도를 측정하여 객체 탐지기의 정확도를 정량화하는 컴퓨터 비전의 기본 메트릭입니다. 기술적으로 Jaccard Index라고도 불리는 IoU는 예측된 bounding box가 사람 주석가가 표시한 객체의 실제 위치인 ground truth box와 얼마나 잘 일치하는지를 평가합니다. 점수는 0에서 1 사이이며, 0은 겹침이 없음을 의미하고 1은 픽셀 단위로 완벽하게 일치함을 나타냅니다. 이 메트릭은 YOLO26과 같은 모델의 공간적 정밀도를 평가하는 데 필수적이며, 단순 분류를 넘어 시스템이 객체의 위치를 정확히 파악하도록 보장합니다.

Link to this section겹침 측정의 메커니즘#

IoU의 개념은 직관적입니다. 두 박스가 교차하는 영역의 넓이를 두 박스를 합친 전체 영역(합집합)으로 나눈 비율을 계산합니다. 이 계산은 전체 객체 크기에 맞춰 겹침을 정규화하므로 IoU는 스케일 불변 메트릭으로 작동합니다. 이는 computer vision 모델이 거대한 화물선을 탐지하든 아주 작은 곤충을 탐지하든 관계없이 공정한 성능 평가를 제공함을 의미합니다.

표준 object detection 워크플로에서 IoU는 예측이 "True Positive"인지 "False Positive"인지를 결정하는 주요 필터입니다. 평가 중에 엔지니어는 일반적으로 0.50 또는 0.75와 같은 특정 임계값을 설정합니다. 겹침 점수가 이 수치를 초과하면 해당 탐지는 정확한 것으로 간주됩니다. 이러한 임계값 처리 과정은 다양한 클래스 및 난이도 수준에 걸쳐 모델 정확도를 요약하는 Mean Average Precision (mAP)과 같은 종합 성능 메트릭을 계산하기 위한 전제 조건입니다.

Link to this section실제 애플리케이션 사례#

막연한 근사치가 실패나 안전 위험으로 이어질 수 있는 산업에서는 높은 공간 정밀도가 매우 중요합니다. IoU는 AI 시스템이 물리적 세계를 정확하게 인식하도록 보장합니다.

• 자율 주행: AI in Automotive 분야에서 자율 주행 자동차는 단순히 보행자의 존재를 감지하는 것을 넘어 차선 대비 보행자의 정확한 위치를 파악해야 합니다. 테스트 중 높은 IoU 점수는 autonomous vehicle 인식 스택이 장애물을 정확하게 묘사하여 안전한 경로 계획과 충돌 회피를 가능하게 함을 검증합니다.
• 정밀 의학: AI in Healthcare의 경우, IoU는 MRI 스캔에서의 종양 분할과 같은 작업에 매우 중요합니다. 방사선 전문의는 이상 징후의 성장 또는 축소를 측정하기 위해 medical image analysis에 의존합니다. 높은 IoU를 가진 모델은 예측된 경계가 실제 종양 가장자리를 밀접하게 따라가도록 보장하며, 이는 방사선 치료 시 투여량을 결정하고 건강한 조직을 보호하는 데 중요합니다.

Link to this sectionPython으로 IoU 계산하기#

개념은 기하학적이지만 구현은 수학적입니다. ultralytics 패키지는 IoU를 효율적으로 계산하기 위한 최적화된 유틸리티를 제공하며, 이는 모델 동작을 검증하거나 예측을 필터링하는 데 유용합니다.

import torch
from ultralytics.utils.metrics import box_iou

# Define ground truth and prediction boxes: [x1, y1, x2, y2]
ground_truth = torch.tensor([[100, 100, 200, 200]])
predicted = torch.tensor([[110, 110, 210, 210]])

# Calculate the Intersection over Union score
iou_score = box_iou(ground_truth, predicted)

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

Link to this section모델 학습 및 최적화에서의 IoU#

IoU는 단순히 스코어카드의 역할을 넘어 딥러닝 네트워크 학습의 능동적인 구성 요소입니다.

• 손실 함수 발전: 평균 제곱 오차(MSE)와 같은 전통적인 거리 메트릭은 종종 bounding box의 기하학적 특성을 포착하지 못합니다. 최신 탐지기는 Generalized IoU(GIoU) 및 Complete IoU(CIoU)와 같은 IoU 기반 loss functions을 사용합니다. 이러한 고급 함수는 종횡비와 중심점 거리를 고려하여 neural network가 더 빠르게 수렴하도록 유도합니다.
• 중복 제거: 추론 중에 모델은 약간씩 다른 박스로 동일한 객체를 여러 번 식별할 수 있습니다. Non-Maximum Suppression (NMS)라는 기술은 IoU를 사용하여 이러한 겹치는 중복 항목을 식별합니다. 이 기술은 가장 높은 confidence score를 가진 박스를 유지하고 승자와 IoU가 높은 주변 박스를 억제하여 깔끔한 최종 출력을 보장합니다.

Link to this section관련 메트릭과 IoU 구별하기#

machine learning 모델을 효과적으로 평가하려면 IoU를 다른 유사도 메트릭과 구별하는 것이 중요합니다.

• IoU vs. 정확도(Accuracy): Accuracy는 모델이 올바른 클래스를 얼마나 자주 예측하는지(예: "개" vs. "고양이")를 측정하지만 위치 정보는 무시합니다. 모델이 이미지의 잘못된 구석에 박스를 그리면 분류 정확도는 100%일지라도 IoU는 0%일 수 있습니다. IoU는 특히 국소화 품질을 목표로 합니다.
• IoU vs. Dice Coefficient: 두 메트릭 모두 집합 유사도를 측정하지만, Dice Coefficient(픽셀 겹침의 F1 점수)는 교차점에 더 많은 가중치를 둡니다. Dice는 불규칙한 모양을 포함하는 semantic segmentation 작업의 표준인 경우가 많은 반면, IoU는 직사각형 bounding box 탐지의 표준입니다.

높은 IoU 점수를 얻으려면 모델에 정밀한 학습 데이터가 필요합니다. Ultralytics Platform과 같은 도구는 고품질의 data annotations 생성을 촉진하여, 팀이 학습을 시작하기 전에 ground truth box를 시각화하고 객체에 딱 맞게 배치되도록 보장할 수 있게 합니다.