Intersection over Union (IoU)

Intersection over Union (IoU) — это фундаментальная метрика в компьютерном зрении, используемая для количественной оценки точности детекторов объектов путем измерения степени перекрытия между двумя границами. IoU, технически часто называемый индексом Жаккара, оценивает, насколько точно предсказанная bounding box совпадает с эталонной рамкой (ground truth) — реальным расположением объекта, размеченным человеком. Значение метрики варьируется от 0 до 1, где 0 означает отсутствие перекрытия, а 1 — идеальное совпадение пиксель в пиксель. Эта метрика важна для оценки пространственной точности таких моделей, как YOLO26, позволяя выйти за рамки простой классификации и гарантировать, что система точно знает местоположение объекта.

Link to this sectionМеханика измерения перекрытия#

Концепция IoU интуитивно понятна: она вычисляет отношение площади пересечения двух рамок к общей площади, охватываемой обеими рамками (объединение). Поскольку этот расчет нормализует перекрытие относительно общего размера объектов, IoU является масштабно-инвариантной метрикой. Это означает, что она обеспечивает объективную оценку производительности независимо от того, обнаруживает ли модель computer vision огромный грузовой корабль или крошечное насекомое.

В стандартных рабочих процессах object detection IoU является основным фильтром для определения того, является ли предсказание «True Positive» или «False Positive». Во время оценки инженеры устанавливают определенный порог — обычно 0,50 или 0,75. Если показатель перекрытия превышает это число, детекция считается правильной. Этот процесс пороговой обработки является обязательным условием для расчета совокупных метрик производительности, таких как Mean Average Precision (mAP), которые суммируют точность модели по разным классам и уровням сложности.

Link to this sectionРеальные приложения#

Высокая пространственная точность критически важна в отраслях, где расплывчатые приближения могут привести к сбоям или угрозам безопасности. IoU гарантирует, что ИИ-системы точно воспринимают физический мир.

• Беспилотные автомобили: В области AI in Automotive беспилотным автомобилям недостаточно просто обнаружить пешехода; им нужно знать точное положение пешехода относительно полосы движения. Высокие показатели IoU при тестировании подтверждают, что стек восприятия autonomous vehicle может точно определять препятствия, что позволяет безопасно планировать траекторию и избегать столкновений.
• Точная медицина: В AI in Healthcare IoU жизненно важен для таких задач, как сегментация опухолей на МРТ-снимках. Радиологи полагаются на medical image analysis для измерения роста или уменьшения аномалий. Модель с высоким IoU гарантирует, что предсказанная граница точно повторяет край реальной опухоли, что критически важно для определения дозировки при лучевой терапии и сохранения здоровых тканей.

Link to this sectionРасчет IoU с помощью Python#

Хотя концепция является геометрической, её реализация математична. Пакет ultralytics предоставляет оптимизированные утилиты для эффективного расчета IoU, что полезно для проверки поведения модели или фильтрации предсказаний.

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 sectionIoU в обучении и оптимизации моделей#

Помимо использования в качестве системы оценки, IoU является активным компонентом обучения нейронных сетей глубокого обучения.

• Эволюция функций потерь: Традиционные метрики расстояния, такие как среднеквадратичная ошибка (MSE), часто не отражают геометрические свойства ограничивающих рамок. Современные детекторы используют loss functions на основе IoU, такие как Generalized IoU (GIoU) и Complete IoU (CIoU). Эти продвинутые функции направляют neural network к более быстрой сходимости, учитывая соотношение сторон и расстояния между центрами.
• Удаление дубликатов: Во время инференса модель может идентифицировать один и тот же объект несколько раз с немного отличающимися рамками. Метод, называемый Non-Maximum Suppression (NMS), использует IoU для идентификации этих перекрывающихся дубликатов. Он сохраняет рамку с самым высоким confidence score и подавляет окружающие рамки, имеющие высокий показатель IoU с основной, обеспечивая чистый итоговый результат.

Link to this sectionОтличие IoU от похожих метрик#

Для эффективной оценки моделей machine learning важно отличать IoU от других метрик сходства.

• IoU против точности (Accuracy): В то время как Accuracy измеряет, как часто модель предсказывает правильный класс (например, «Собака» против «Кошки»), она игнорирует расположение. Модель может иметь 100% точность классификации, но 0% IoU, если она рисует рамку не в том углу изображения. IoU целенаправленно оценивает качество локализации.
• IoU против коэффициента Дайса: Обе метрики измеряют сходство множеств, но Dice Coefficient (F1-мера перекрытия пикселей) придает больше веса пересечению. Dice чаще является стандартом для задач semantic segmentation, включающих объекты неправильной формы, тогда как IoU — это стандарт для обнаружения прямоугольных bounding box.

Для достижения высоких показателей IoU моделям требуются точные обучающие данные. Инструменты, такие как Ultralytics Platform, облегчают создание высококачественных data annotations, позволяя командам визуализировать эталонные рамки и гарантировать, что они плотно прилегают к объектам перед началом обучения.