Пересечение через СоюзIoU)

Пересечение над объединениемIoU) - это фундаментальная метрика оценки, используемая в компьютерном зрении (КВ) для измерения точности детектора объектов на определенном наборе данных. В академических кругах ее часто называют Индекс Жаккара, IoU определяет степень перекрытия между двумя областями: предсказанной границей, созданной моделью, и "истинной" границей, которая представляет собой помеченную от руки аннотацию, отражающую фактическое местоположение объекта. объекта. Эта метрика дает значение в диапазоне от 0 до 1, где 0 означает отсутствие совпадения, а 1 - полное совпадение между прогнозом и реальностью.

Понимание принципов работы IoU

Расчет IoU концептуально прост, что делает его стандартным эталоном для обнаружение объектов и задач сегментации изображений. Он определяется путем деления площади пересечения (области перекрытия) на площадь объединения (общую совмещенную площадь обоих боксов). боксов). Нормируя площадь перекрытия на общую площадь, IoU обеспечивает масштабно-инвариантную меру, то есть оценивает качество подгонки независимо от размера объекта.

В практических приложениях к оценке IoU часто применяется пороговое значение, чтобы classify предсказание как "положительное" или "отрицательное" обнаружение. Например, в стандартных задачах, таких как бенчмарки COCO , порог IoU , равный 0,5 (или 50 %) обычно используется для определения достоверности обнаружения. Это пороговое значение имеет решающее значение для расчета последующих метрик, таких как точность и Recall, которые, в конечном счете, входят в Средний показатель точности (mAP), используемый для оценки эффективности модели.

Вычисление IoU с помощью Python

Вы можете легко рассчитать IoU между боксами с помощью функций, представленных в ultralytics пакет. Это полезно для создания собственных сценариев оценки или понимания поведения модели во время вывода.

import torch
from ultralytics.utils.metrics import box_iou

# Define a ground truth box and a predicted box in (x1, y1, x2, y2) format
# Example: A 100x100 pixel box starting at (50,50) vs shifted prediction
ground_truth = torch.tensor([[50, 50, 150, 150]])
prediction = torch.tensor([[60, 60, 160, 160]])

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

print(f"IoU Score: {iou_score.item():.4f}")
# Output represents the overlap ratio

Применение в реальном мире

Точность локализации, обеспечиваемая IoU , жизненно важна в различных отраслях промышленности, где безопасность и точность имеют первостепенное значение. первостепенное значение.

• ИИ в автомобилестроении: В При разработке автономных транспортных средств системы должны точно различать пешеходов, другие транспортные средства и статичные препятствия. Высокий показатель IoU гарантирует, что система восприятия точно знает, где находится объект относительно автомобиля, а не только то, что он существует. Такая точная локализация необходима для планирования траектории движения и систем предотвращения столкновений, используемых такими лидерами, как Waymo и Tesla.
• Анализ медицинских изображений: При использовании ИИ для detect аномалий, таких как опухоли на снимках МРТ или КТ, точная граница поражения имеет большое значение для диагностики и планирования лечения. Модель с высоким IoU гарантирует, что ИИ в инструментах здравоохранения точно точно выделяет всю пораженную область, не включая слишком много здоровых тканей, помогая рентгенологам принимать критических решений.

IoU в обучении и выводе моделей

Помимо простой оценки, IoU играет активную роль во внутренней механике современных архитектур, таких как YOLO11.

• Оптимизацияфункции потерь: Традиционные функции потерь часто не справляются с непересекающимися границами. Для решения этой проблемы используются такие варианты, как обобщенная IoU GIoU), IoU расстоянияDIoU) и полная IoU CIoU) включаются непосредственно в процесс обучения. процесс обучения. Эти варианты обеспечивают градиенты даже в тех случаях, когда боксы не соприкасаются, что помогает модели быстрее сходиться и достижению лучшей локализации.
• Немаксимальное подавление (NMS): Во время выводов детектор объектов может выводить несколько ограничивающих рамок для одного объекта. NMS использует IoU для фильтрации этих результатов. Если два предсказанных блока имеют IoU выше определенного порога NMS (например, 0,7) и принадлежат к одному и тому же классу, то тот из них, который имеет более низкий балл доверия подавляется, оставляя только лучшее предсказание.

IoU в сравнении со смежными показателями

Важно отличать IoU от аналогичных терминов, чтобы выбрать правильную метрику для решения конкретной задачи.

• IoU против точности: Точность обычно измеряет процент правильных классификаций (например, "Это кошка?"). Она не учитывает где находится объект. IoU измеряет качество локализации (например, "Насколько хорошо коробка подходит кошке?"). Модель может иметь высокую точность классификации, но низкий IoU , если коробки не закреплены или неправильно расположены.
• IoU против коэффициента Dice: Хотя оба показателя измеряют перекрытие и положительно коррелируют, коэффициент Dice (или оценка F1 пикселей) придает больший вес вес пересечению. Коэффициент Dice чаще всего является приоритетным в в задачах семантической сегментации, в то время как IoU является стандартом для обнаружения объектов с ограничивающими рамками.