YOLO'yu lisansla
Ultralytics Sözlüğüne dön

Intersection over Union (IoU)

Birleşim üzerinde kesişim (IoU), tahmin edilen kutunun gerçek kutuyla ne kadar örtüştüğünü 0 ile 1 arasında puanlar. Formül, Python kodu, eşikler ve IoU tabanlı kayıplar.

Kesişim/birleşim (IoU), iki bölgenin ne kadar örtüştüğünü; ortak alanın kapladıkları toplam alana oranını ölçer. Birbirine değmeyen bölgelerde 0, aynı bölgelerde 1 değerini alır ve istatistikte Jaccard indeksi olarak bilinen ölçünün aynısıdır. Nesne tespitinde IoU, tahmin edilen sınırlayıcı kutuyu etiketli gerçek kutuyla karşılaştırır; bir tahminin doğru sayılıp sayılmayacağını, yinelenen tahminlerden hangilerinin kaldırılacağını ve kutu tahminlerinin nasıl eğitileceğini belirler.

IoU Nasıl Hesaplanır#

IoU = kesişim alanı / birleşim alanı; burada birleşim, iki kutunun kesişim alanı yalnızca bir kez sayılacak şekilde A kutusunun alanı ile B kutusunun alanının toplamından kesişim alanının çıkarılmasıyla bulunur. Köşe biçiminde ifade edilen ve eksenlerle hizalı iki kutunun kesişimi, iki kutunun iç kenarlarıyla sınırlanan bir dikdörtgendir; kutular örtüşmediğinde genişliği veya yüksekliği sıfıra sabitlenir.

# Boxes as [x1, y1, x2, y2] in pixels
label = [100, 100, 200, 200]
pred = [110, 110, 210, 210]

# Intersection rectangle, clamped to zero when the boxes do not overlap
w = max(0, min(label[2], pred[2]) - max(label[0], pred[0]))
h = max(0, min(label[3], pred[3]) - max(label[1], pred[1]))
intersection = w * h

# Union counts the overlap only once
area_label = (label[2] - label[0]) * (label[3] - label[1])
area_pred = (pred[2] - pred[0]) * (pred[3] - pred[1])
union = area_label + area_pred - intersection

print(f"IoU = {intersection} / {union} = {intersection / union:.3f}")

Betik IoU = 8100 / 11900 = 0.681 değerini yazdırır. 100 piksellik bir kutuyu her yönde 10 piksel kaydırmak, örtüşmeyi 90 × 90 piksele düşürür ve birleşimi 11.900 piksele çıkarır; dolayısıyla %10'luk bir kayma puanın neredeyse üçte birini götürür. Her iki alan da birlikte ölçeklendiğinden IoU ölçekten bağımsızdır: aynı göreli hizasızlık, 20 piksellik bir kuşta ve 2.000 piksellik bir kamyonda aynı puanı verir. Bu nedenle sabit piksel hatası küçük nesnelere en çok zarar verir; yana doğru bir piksellik kayma, 20 piksellik kutuda IoU değerini 0.905'e, 200 piksellik kutuda ise 0.990'a düşürür.

Değerlendirmede IoU Eşikleri#

Bir değerlendirme eşiği, IoU'yu evet-hayır kararına dönüştürür. Sınıfı eşleşen bir tahmin, henüz eşleştirilmemiş bir gerçek kutuyla IoU değeri eşiğe ulaşıyorsa doğru pozitif, aksi durumda yanlış pozitiftir. PASCAL VOC kıyaslaması, göründüğünden daha esnek bir ölçüt olan 0.5 değerini kullandı: genişliklerinin üçte biri kadar yana kaydırılmış iki eşit kutunun IoU değeri tam olarak 0.5'tir. COCO kıyaslaması, sonuçların ortalamasını 0.50 ile 0.95 arasındaki on eşikte alır; ortalama kesinlik (mAP) bu şekilde hassas konumlandırmayı ödüllendirir.

Eğitimde ve Son İşlemede IoU#

  • Kutu regresyon kayıpları: Algılayıcılar kutu koordinatlarını 1 − IoU veya bunun bir çeşidini kullanarak eğitir; çünkü ham koordinatlara dayalı bir kayıp, küçük ve büyük kutulardaki 10 piksellik hatayı aynı değerlendirir. Basit IoU, kutular örtüşmediğinde gradyan üretmez; bu nedenle Genelleştirilmiş IoU (GIoU) her iki kutuyu çevreleyen en küçük kutuya dayalı bir ceza ekler; Uzaklık-IoU ve Tam IoU (DIoU, CIoU) ise merkez uzaklığı ve en-boy oranı terimleri ekler. YOLO26, kutu başlığını CIoU kaybıyla eğitir ve eğitim sırasında her tahminin hangi etiketli nesneye atanacağını belirlemek için de CIoU kullanır.
  • Maksimum olmayanları bastırma (NMS): Çıkarım sırasında, aynı sınıftan daha yüksek puanlı bir kutuyla IoU değeri eşiği aşan kutu yinelenen kabul edilip kaldırılır.
  • Nesne takibi: ByteTrack gibi takipçiler, kareler arasında eşleştirme maliyeti olarak mevcut izlerle yeni tespitler arasındaki IoU'yu kullanır.

Diğer Şekiller için IoU#

Aynı oran her bölge çifti için geçerlidir. Segmentasyonda maske IoU'su piksel kümeleri üzerinden hesaplanır: örnek segmentasyonu tahmin edilen maskeleri etiketlerle eşleştirmek için bu değeri kullanırken, anlamsal segmentasyon kıyaslamaları sınıflar üzerindeki ortalamasını mIoU olarak raporlar. Döndürülmüş kutular çokgen kesişimi veya ProbIoU gibi bir Gauss yaklaşımı gerektirir; 3B tespit ise dikdörtgen prizmalar arasındaki IoU'yu tam 3B hacimde veya kuş bakışı görünümlerindeki taban alanlarının örtüşmesi üzerinden hesaplar.

  • Dice katsayısı: Kesişimin iki alanın toplamına oranının iki katıdır. Dice = 2 × IoU / (1 + IoU) olduğundan tahminleri IoU ile aynı sırada değerlendirir ve tıbbi görüntü segmentasyonunda yaygın olarak kullanılır.
  • Doğruluk: Doğru sınıf tahminlerinin oranıdır; kutunun nerede bulunduğuyla ilgili bilgi vermez.
  • mAP: Sınıflar genelindeki konumlandırma, kesinlik ve duyarlılığı birleştiren, IoU eşiklerine dayalı tespit düzeyinde bir özet ölçüdür.

Dice bağıntısı eşikleri de dönüştürür: 0.5 IoU, 0.667 Dice puanına; 0.9 IoU ise 0.947 Dice puanına eşittir.

Çözümleri keşfet

Sporda bilgisayarlı görü

Sporda bilgisayarlı görü

Ultralytics YOLO'nun oyuncu ve top takibi, performans analitiği, antrenörlük içgörüleri ve sporcu rehabilitasyonuyla spor alanında görsel yapay zekâyı nasıl güçlendirdiğini keşfet.
Daha fazla bilgi edin
Hava görüntüleri için bilgisayarlı görü

Hava görüntüleri için bilgisayarlı görü

İHA ve hava görüntülerini Ultralytics YOLO ile tarım, su ürünleri yetiştiriciliği, koruma çalışmaları ve jeo-uzamsal analiz için gerçek zamanlı içgörülere dönüştür.
Daha fazla bilgi edin
Havacılıkta bilgisayarlı görü

Havacılıkta bilgisayarlı görü

Uçak denetimi, pistteki yabancı madde tespiti, havaalanı yer operasyonları ve kompozit malzeme kusurlarının tespiti için Ultralytics YOLO ile havacılık ve uzay sektöründe bilgisayarlı görü uygula.
Daha fazla bilgi edin
Güvenlikte bilgisayarlı görü

Güvenlikte bilgisayarlı görü

Ultralytics YOLO modelleriyle her sahayı koru. Görsel yapay zekâ; çevre izleme, tehdit tespiti, plaka tanıma ve iş yeri güvenliğini destekler.
Daha fazla bilgi edin
Robotikte bilgisayarlı görü

Robotikte bilgisayarlı görü

Ultralytics YOLO modelleriyle daha akıllı makinelere güç ver. Robotikte görsel yapay zekâ; otonom navigasyonu, algılamayı, nesne takibini ve gerçek zamanlı kontrolü destekler.
Daha fazla bilgi edin
Lojistikte bilgisayarlı görü

Lojistikte bilgisayarlı görü

Ultralytics YOLO modelleriyle lojistiği kolaylaştır. Görüntü yapay zekâsı; paket denetimini, ayrıştırmayı, araç takibini ve gerçek zamanlı depo güvenliği izlemeyi mümkün kılar.
Daha fazla bilgi edin
Perakendede bilgisayarlı görü

Perakendede bilgisayarlı görü

Ultralytics YOLO modelleriyle perakendeyi yeniden tasarla. Görüntü yapay zekâsı; envanter takibini, raf izlemeyi, kuyruk yönetimini ve daha kapsamlı müşteri analizlerini mümkün kılar.
Daha fazla bilgi edin
Sağlık hizmetlerinde bilgisayarlı görü

Sağlık hizmetlerinde bilgisayarlı görü

Ultralytics YOLO modelleriyle sağlık çözümleri geliştir. Sağlık hizmetlerinde görüntü yapay zekâsı; daha hızlı tıbbi görüntüleme, daha akıllı tanı ve hasta takibini mümkün kılar.
Daha fazla bilgi edin
Üretimde bilgisayarlı görü

Üretimde bilgisayarlı görü

Ultralytics YOLO modelleriyle üretimi optimize et. Görsel yapay zekâ; kalite kontrolünü, kusur tespitini, kişisel koruyucu donanım uyumunu ve montaj hattı otomasyonunu destekler.
Daha fazla bilgi edin
Otomotivde bilgisayarlı görü

Otomotivde bilgisayarlı görü

Ultralytics YOLO modelleriyle otomotivde bilgisayarlı görüden yararlan. Görsel yapay zekâ; daha akıllı yollar için yol güvenliğini, sürüş desteğini ve araç otomasyonunu ileri taşır.
Daha fazla bilgi edin
Tarımda bilgisayarlı görü

Tarımda bilgisayarlı görü

Ultralytics YOLO modelleriyle akıllı tarıma görüntü yapay zekâsı kazandır. Daha yüksek ve akıllı verim için mahsul izleme, hayvan takibi ve hassas tarımı destekle.
Daha fazla bilgi edin

Geleceğin yapay zekasını birlikte inşa edelim!

Makine öğreniminin geleceğine yolculuğuna başla