Intersection over Union (IoU)

Пересечение над объединением (IoU) — это фундаментальная метрика в компьютерном зрении, используемая для количественной оценки точности детектора объектов путём измерения перекрытия между двумя границами. IoU, которую часто называют техническим термином индекс Жаккара, оценивает, насколько хорошо предсказанный ограничивающий прямоугольник совпадает с эталонным прямоугольником — фактическим расположением объекта, размеченным человеком-аннотатором. Значение метрики находится в диапазоне от 0 до 1: 0 означает отсутствие перекрытия, а 1 — идеальное совпадение пиксель в пиксель. Эта метрика необходима для оценки пространственной точности таких моделей, как YOLO26, поскольку позволяет выйти за рамки простой классификации и убедиться, что система точно определяет местоположение объекта.

Механика измерения перекрытия#

Концепция IoU интуитивно понятна: метрика вычисляет отношение площади пересечения двух прямоугольников к общей площади, покрываемой обоими прямоугольниками (их объединению). Поскольку при этом перекрытие нормализуется по общему размеру объектов, IoU является инвариантной к масштабу метрикой. Это означает, что она обеспечивает объективную оценку независимо от того, обнаруживает ли модель компьютерного зрения огромный грузовой корабль или крошечное насекомое.

В стандартных рабочих процессах обнаружения объектов IoU служит основным фильтром для определения того, является ли предсказание «истинно положительным» или «ложно положительным». Во время оценки инженеры задают конкретный порог — обычно 0,50 или 0,75. Если показатель перекрытия превышает это значение, обнаружение считается корректным. Этот процесс пороговой фильтрации необходим для расчёта агрегированных метрик производительности, таких как средняя точность (mAP), которая обобщает точность модели для разных классов и уровней сложности.

Практические применения#

Высокая пространственная точность критически важна в отраслях, где приблизительные оценки могут привести к сбоям или угрозам безопасности. IoU помогает убедиться, что системы ИИ точно воспринимают физический мир.

• Автономное вождение: В области ИИ в автомобильной промышленности беспилотные автомобили должны не просто обнаруживать пешехода, но и точно определять его положение относительно полосы движения. Высокие значения IoU во время тестирования подтверждают, что стек восприятия автономного транспортного средства способен точно очерчивать препятствия, обеспечивая безопасное планирование траектории и предотвращение столкновений.
• Прецизионная медицина: В области ИИ в здравоохранении IoU жизненно важна для таких задач, как сегментация опухолей на МРТ-снимках. Радиологи используют анализ медицинских изображений, чтобы измерять рост или уменьшение аномалий. Модель с высоким значением IoU гарантирует, что предсказанная граница близко совпадает с фактическим краем опухоли, что крайне важно для определения дозировки при лучевой терапии и сохранения здоровых тканей.

Вычисление IoU с помощью Python#

Хотя концепция имеет геометрическую основу, реализация является математической. Пакет ultralytics предоставляет оптимизированные утилиты для эффективного вычисления IoU, что полезно при проверке 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

IoU в обучении и оптимизации моделей#

Помимо использования в качестве показателя эффективности, IoU является активным компонентом обучения сетей глубокого обучения.

• Эволюция функции потерь: Традиционные метрики расстояния, такие как среднеквадратичная ошибка (MSE), часто не учитывают геометрические свойства ограничивающих прямоугольников. Современные детекторы используют основанные на IoU функции потерь, такие как обобщённый IoU (GIoU) и полный IoU (CIoU). Эти усовершенствованные функции помогают нейронной сети быстрее сходиться, учитывая соотношения сторон и расстояния между центральными точками.
• Удаление дубликатов: Во время инференса модель может несколько раз обнаружить один и тот же объект, используя немного отличающиеся прямоугольники. Техника, называемая подавлением немаксимумов (NMS), использует IoU для выявления таких перекрывающихся дубликатов. Она сохраняет прямоугольник с наивысшей оценкой уверенности и подавляет окружающие прямоугольники с высоким значением IoU относительно победившего, обеспечивая чистый итоговый результат.

Различия между IoU и родственными метриками#

Чтобы эффективно оценивать модели машинного обучения, важно отличать IoU от других метрик сходства.

• IoU и точность: В то время как точность измеряет, как часто модель предсказывает правильный класс (например, «собака» или «кошка»), она не учитывает местоположение. Модель может иметь точность классификации 100 %, но IoU 0 %, если она нарисует прямоугольник не в том углу изображения. IoU конкретно оценивает качество локализации.
• IoU и коэффициент Dice: Обе метрики измеряют сходство множеств, но коэффициент Dice (F1-мера перекрытия пикселей) придаёт больший вес пересечению. Dice чаще используется как стандарт для задач семантической сегментации, связанных с объектами неправильной формы, тогда как IoU является стандартом для обнаружения объектов с прямоугольными ограничивающими прямоугольниками.

Для достижения высоких значений IoU моделям нужны точные обучающие данные. Такие инструменты, как платформа Ultralytics, упрощают создание высококачественных аннотаций данных, позволяя командам визуализировать эталонные прямоугольники и убедиться, что до начала обучения они плотно охватывают объекты.