Intersection over Union (IoU) (Пересечение над объединением)

Intersection over Union (IoU) — это фундаментальная метрика оценки, используемая в компьютерном зрении (CV), особенно для задач обнаружения объектов. Она измеряет степень перекрытия между двумя границами: прогнозируемым ограничивающим прямоугольником, сгенерированным моделью, и истинным ограничивающим прямоугольником, который является размеченной вручную правильной границей. Результирующая оценка, значение от 0 до 1, количественно определяет, насколько точно модель обнаружила объект на изображении. Оценка 1 представляет собой идеальное совпадение, а оценка 0 указывает на полное отсутствие перекрытия. Эта метрика имеет решающее значение для оценки точности локализации моделей, таких как Ultralytics YOLO11.

Как работает IoU (Intersection over Union)?

По своей сути, IoU вычисляет отношение пересечения (площади перекрытия) к объединению (общей площади, покрытой обоими прямоугольниками) предсказанных и истинных ограничивающих прямоугольников. Представьте себе два перекрывающихся квадрата. «Пересечение» — это общая область, где они перекрываются. «Объединение» — это общая площадь, которую покрывают оба квадрата вместе, считая перекрывающуюся часть только один раз. Разделив пересечение на объединение, IoU предоставляет стандартизированную меру того, насколько хорошо предсказанный прямоугольник соответствует фактическому объекту. Эта простая, но мощная концепция является краеугольным камнем современного глубокого обучения (DL) для обнаружения объектов.

Ключевой частью использования IoU является установка «порога IoU». Этот порог — это предопределенное значение (например, 0,5), которое определяет, является ли прогноз правильным. Если оценка IoU для прогнозируемой рамки выше этого порога, она классифицируется как «истинно положительная». Если оценка ниже, это «ложноположительная». Этот порог напрямую влияет на другие показатели производительности, такие как Точность и Полнота, и является критическим компонентом при расчете средней точности (mAP), стандартной метрики для оценки моделей обнаружения объектов на эталонных наборах данных, таких как COCO.

Применение в реальном мире

IoU необходим для проверки производительности бесчисленных систем ИИ. Вот несколько примеров:

1. Автономное вождение: В ИИ для самоуправляемых автомобилей IoU используется для оценки того, насколько хорошо система технического зрения автомобиля обнаруживает пешеходов, другие транспортные средства и дорожные знаки. Высокий балл IoU гарантирует, что прогнозируемые ограничивающие рамки являются точными, что имеет решающее значение для безопасной навигации и предотвращения столкновений. Такие компании, как Waymo, в значительной степени полагаются на точное обнаружение объектов для безопасности своих автономных систем.
2. Медицинская визуализация: В анализе медицинских изображений IoU помогает оценить точность моделей, которые идентифицируют аномалии, такие как опухоли или поражения на снимках, таких как МРТ или КТ. Точная локализация жизненно важна для планирования лечения, и IoU обеспечивает надежную меру того, является ли прогноз модели клинически полезным. Это имеет решающее значение в таких приложениях, как обнаружение опухолей с использованием моделей YOLO.

Повышение производительности модели с помощью IoU

IoU — это не просто метрика оценки; она также является неотъемлемой частью самого процесса обучения. Многие современные архитектуры обнаружения объектов, включая варианты Ultralytics YOLOv8 и YOLO11, используют IoU или его вариации непосредственно в своих функциях потерь. Эти продвинутые потери на основе IoU, такие как Generalized IoU (GIoU), Distance-IoU (DIoU) или Complete-IoU (CIoU), помогают модели научиться прогнозировать ограничивающие прямоугольники, которые не только хорошо перекрываются, но и учитывают такие факторы, как расстояние между центрами и согласованность соотношения сторон. Это приводит к более быстрой сходимости и лучшей производительности локализации по сравнению с традиционными потерями регрессии. Подробные сравнения различных моделей YOLO можно найти в нашей документации.

Мониторинг IoU во время обучения модели и настройки гиперпараметров помогает разработчикам улучшать модели для лучшей локализации. Такие инструменты, как Ultralytics HUB, позволяют отслеживать IoU и другие метрики, оптимизируя цикл улучшения модели. Несмотря на широкое распространение, стандартный IoU иногда может быть нечувствительным, особенно для неперекрывающихся прямоугольников. Это ограничение стимулировало разработку вышеупомянутых вариантов IoU. Тем не менее, IoU остается краеугольным камнем оценки компьютерного зрения.

IoU в сравнении с другими метриками

Хотя IoU имеет жизненно важное значение, важно понимать его взаимосвязь с другими метриками:

• IoU против точности: Точность - это распространенная метрика в задачах классификации, измеряющая процент правильных предсказаний. Однако она не подходит для обнаружения объектов, поскольку не учитывает ошибку локализации. Предсказание может правильно классифицировать объект, но плохо разместить ограничивающий прямоугольник. IoU конкретно решает эту проблему, измеряя качество локализации.
• IoU против средней точности (mAP): Эти термины связаны, но различны. IoU измеряет качество одного предсказанного ограничивающего прямоугольника. В отличие от этого, mAP - это комплексная метрика, которая оценивает производительность модели по всем объектам и классам в наборе данных. Она рассчитывается путем усреднения значений точности по нескольким пороговым значениям IoU и всем классам. По сути, IoU является строительным блоком для расчета mAP. Подробное объяснение этой взаимосвязи можно найти в нашем руководстве по метрикам производительности YOLO.
• IoU против F1-Score: F1-мера - это среднее гармоническое точности и полноты, которое часто используется в классификации. Хотя точность и полнота используются при расчете mAP, сама F1-мера напрямую не измеряет качество локализации, как IoU. Она больше ориентирована на баланс между поиском всех положительных экземпляров и правильностью этих находок.