유니온을 통한 교차점(IoU)

IoU(Intersection over Union)는 컴퓨터 비전(CV)에서 특히 객체 감지 작업에 사용되는 기본적인 평가 지표입니다. 이 지표는 모델에서 생성된 예측 경계 상자와 수작업으로 라벨을 붙인 정확한 윤곽선인 실측 경계 상자라는 두 경계 사이의 중첩을 측정합니다. 결과 점수는 0에서 1 사이의 값으로, 모델이 이미지에서 물체를 얼마나 정확하게 찾았는지를 정량화합니다. 1점은 완벽하게 일치함을 의미하며, 0점은 전혀 겹치지 않음을 나타냅니다. 이 메트릭은 Ultralytics YOLO11과 같은 모델의 로컬라이제이션 정확도를 평가하는 데 매우 중요합니다.

IoU 작동 방식

IoU의 핵심은 예측된 경계 상자와 실측 경계 상자의 합(두 상자가 포함하는 총 면적)에 대한 교차점(겹치는 면적)의 비율을 계산하는 것입니다. 두 개의 겹치는 정사각형을 상상해 보세요. '교집합'은 두 사각형이 겹치는 공유 영역입니다. '합집합'은 두 사각형이 합쳐진 총 면적으로, 겹치는 부분은 한 번만 계산합니다. 교집합을 합집합으로 나누면 IoU는 예측된 상자가 실제 개체와 얼마나 잘 일치하는지에 대한 표준화된 측정값을 제공합니다. 이 간단하지만 강력한 개념은 객체 감지를 위한 최신 딥러닝(DL) 의 초석입니다.

IoU 사용의 핵심은 "IoU 임계값"을 설정하는 것입니다. 이 임계값은 예측이 올바른지 여부를 결정하는 사전 정의된 값(예: 0.5)입니다. 예측된 상자에 대한 IoU 점수가 이 임계값보다 높으면 "진양성"으로 분류됩니다. 점수가 이보다 낮으면 "오탐"입니다. 이 임계값은 정확도 및 회수율과 같은 다른 성능 지표에 직접적인 영향을 미치며, COCO와 같은 벤치마크 데이터 세트에서 객체 탐지 모델을 평가하는 표준 지표인 평균 정밀도(mAP)를 계산하는 데 중요한 요소입니다.

실제 애플리케이션

IoU는 수많은 AI 시스템의 성능을 검증하는 데 필수적입니다. 다음은 몇 가지 예시입니다:

1. 자율 주행: 자율 주행 차량용 AI에서 IoU는 차량의 비전 시스템이 보행자, 다른 차량, 교통 표지판을 얼마나 잘 감지하는지 평가하는 데 사용됩니다. IoU 점수가 높을수록 예측된 경계 상자가 정확하다는 것을 의미하며, 이는 안전한 내비게이션과 충돌 회피에 매우 중요합니다. 웨이모와 같은 회사는 자율 주행 시스템의 안전을 위해 정확한 물체 감지에 크게 의존합니다.
2. 의료 영상: 의료 이미지 분석에서 IoU는 MRI나 CT와 같은 스캔에서 종양이나 병변과 같은 이상 징후를 식별하는 모델의 정확도를 평가하는 데 도움이 됩니다. 정확한 위치 파악은 치료 계획에 필수적이며, IoU는 모델의 예측이 임상적으로 유용한지에 대한 신뢰할 수 있는 척도를 제공합니다. 이는 YOLO 모델을 사용한 종양 탐지와 같은 애플리케이션에서 매우 중요합니다.

IoU로 모델 성능 향상

IoU는 단순한 평가 지표가 아니라 학습 프로세스 자체에 필수적인 요소이기도 합니다. 최신 객체 감지 아키텍처인 Ultralytics YOLOv8 및 YOLO11의 변형을 포함한 많은 최신 아키텍처는 손실 함수 내에서 IoU 또는 그 변형을 직접 사용합니다. 일반화된 IoU(GIoU), 거리 IoU(DIoU) 또는 완전 IoU(CIoU)와 같은 이러한 고급 IoU 기반 손실은 모델이 잘 겹칠 뿐만 아니라 중심 간 거리 및 화면비 일관성과 같은 요소를 고려한 경계 상자를 예측하는 방법을 학습하는 데 도움이 됩니다. 이를 통해 기존의 회귀 손실에 비해 더 빠른 수렴과 더 나은 로컬라이제이션 성능을 얻을 수 있습니다. 유니티 설명서에서 다양한 YOLO 모델 간의 자세한 비교를 확인할 수 있습니다.

모델 학습 및 하이퍼파라미터 튜닝 중에 IoU를 모니터링하면 개발자가 더 나은 로컬라이제이션을 위해 모델을 개선하는 데 도움이 됩니다. Ultralytics HUB와 같은 도구를 사용하면 IoU 및 기타 메트릭을 추적하여 모델 개선 주기를 간소화할 수 있습니다. 광범위한 유용성에도 불구하고 표준 IoU는 특히 겹치지 않는 박스의 경우 민감하지 않을 수 있습니다. 이러한 한계로 인해 앞서 언급한 IoU 변형이 개발되었습니다. 그럼에도 불구하고 IoU는 컴퓨터 비전 평가의 초석으로 남아 있습니다.

IoU와 다른 지표 비교

IoU는 매우 중요하지만 다른 지표와의 관계를 이해하는 것이 중요합니다:

• IoU 대 정확도: 정확도는 분류 작업에서 흔히 사용되는 지표로, 정확한 예측의 비율을 측정합니다. 그러나 정확도는 로컬라이제이션 오류를 고려하지 않기 때문에 객체 감지에는 적합하지 않습니다. 예측은 객체를 정확하게 분류할 수 있지만 경계 상자를 잘못 배치할 수 있습니다. IoU는 특히 로컬라이제이션의 품질을 측정하여 이 문제를 해결합니다.
• IoU와 평균 정밀도(mAP) 비교: 이 용어는 서로 연관되어 있지만 구별됩니다. IoU는 예측된 단일 바운딩 박스의 품질을 측정합니다. 반면, mAP는 데이터 세트의 모든 개체와 클래스에 걸쳐 모델의 성능을 평가하는 포괄적인 메트릭입니다. 여러 IoU 임계값과 모든 클래스에 걸쳐 정밀도 값을 평균하여 계산됩니다. 기본적으로 IoU는 mAP를 계산하기 위한 빌딩 블록입니다. 이 관계에 대한 자세한 설명은 YOLO 성능 메트릭에 대한 가이드에서 확인할 수 있습니다.
• IoU 대 F1-점수: F1 점수는 정밀도와 회수율의 조화 평균으로, 분류에 자주 사용됩니다. 정밀도와 정확도는 mAP 계산에 사용되지만 F1-점수 자체는 IoU처럼 로컬라이제이션 품질을 직접 측정하지 않습니다. F1 점수는 모든 긍정적인 사례를 찾는 것과 그 결과의 정확성 사이의 균형에 더 중점을 둡니다.