Kesişim Bölü Birleşim (IoU)

Kesişim Üzerinden Birleşim (IoU), özellikle nesne algılama görevleri için bilgisayarlı görü (CV)'de kullanılan temel bir değerlendirme ölçütüdür. İki sınır arasındaki örtüşmeyi ölçer: bir model tarafından oluşturulan tahmin edilen sınırlayıcı kutu ve elle etiketlenmiş, doğru anahat olan gerçek sınırlayıcı kutu. Ortaya çıkan skor, 0 ile 1 arasında bir değer, bir modelin bir görüntüdeki bir nesneyi ne kadar doğru bir şekilde konumlandırdığını ölçer. 1 skoru mükemmel bir eşleşmeyi temsil ederken, 0 skoru hiç örtüşme olmadığını gösterir. Bu ölçüt, Ultralytics YOLO11 gibi modellerin konumlandırma doğruluğunu değerlendirmek için çok önemlidir.

IoU Nasıl Çalışır?

Temelinde, IoU, tahmin edilen ve gerçek sınırlayıcı kutuların (bounding boxes) kesişiminin (örtüşen alan) birleşimine (her iki kutunun kapladığı toplam alan) oranını hesaplar. İki örtüşen kare hayal edin. "Kesişim", örtüştükleri ortak alandır. "Birleşim", her iki karenin birlikte kapladığı toplam alandır ve örtüşen kısım yalnızca bir kez sayılır. Kesişimi birleşime bölerek, IoU tahmin edilen kutunun gerçek nesneyle ne kadar iyi hizalandığına dair standart bir ölçü sağlar. Bu basit ama güçlü konsept, nesne algılama için modern derin öğrenmenin (DL) temel taşıdır.

IoU kullanmanın önemli bir parçası, bir "IoU eşiği" belirlemektir. Bu eşik, bir tahminin doğru olup olmadığını belirleyen önceden tanımlanmış bir değerdir (örneğin, 0,5). Tahmin edilen bir kutunun IoU puanı bu eşiğin üzerindeyse, "gerçek pozitif" olarak sınıflandırılır. Puan düşükse, "yanlış pozitif"tir. Bu eşik, Hassasiyet ve Geri Çağırma gibi diğer performans metriklerini doğrudan etkiler ve ortalama Ortalama Hassasiyeti (mAP) hesaplamada kritik bir bileşendir; bu, COCO gibi kıyaslama veri kümelerinde nesne algılama modellerini değerlendirmek için standart bir metriktir.

Gerçek Dünya Uygulamaları

IoU, sayısız yapay zeka sisteminin performansını doğrulamak için gereklidir. İşte birkaç örnek:

1. Otonom Sürüş: Kendi kendine giden arabalar için yapay zekâda, IoU, arabanın görüş sisteminin yayaları, diğer araçları ve trafik işaretlerini ne kadar iyi tespit ettiğini değerlendirmek için kullanılır. Yüksek bir IoU skoru, tahmin edilen sınırlayıcı kutuların hassas olmasını sağlar, bu da güvenli navigasyon ve çarpışmayı önleme için kritik öneme sahiptir. Waymo gibi şirketler, otonom sistemlerinin güvenliği için büyük ölçüde doğru nesne tespitine güvenirler.
2. Tıbbi Görüntüleme: Tıbbi görüntü analizinde, IoU, MRG'ler veya BT'ler gibi taramalarda tümörler veya lezyonlar gibi anormallikleri tanımlayan modellerin doğruluğunu değerlendirmeye yardımcı olur. Tedavi planlaması için hassas lokalizasyon hayati önem taşır ve IoU, bir modelin tahmininin klinik olarak yararlı olup olmadığının güvenilir bir ölçüsünü sağlar. Bu, YOLO modellerini kullanarak tümör tespiti gibi uygulamalarda çok önemlidir.

IoU ile Model Performansını Artırma

IoU sadece bir değerlendirme ölçütü değildir; aynı zamanda eğitim sürecinin de ayrılmaz bir parçasıdır. Ultralytics YOLOv8 ve YOLO11'in varyantları da dahil olmak üzere birçok modern nesne algılama mimarisi, IoU'yu veya varyasyonlarını doğrudan kayıp fonksiyonları içinde kullanır. Genelleştirilmiş IoU (GIoU), Mesafe-IoU (DIoU) veya Tamamlanmış-IoU (CIoU) gibi bu gelişmiş IoU tabanlı kayıplar, modelin yalnızca iyi örtüşen değil, aynı zamanda merkezler arasındaki mesafe ve en boy oranı tutarlılığı gibi faktörleri de dikkate alan sınırlayıcı kutuları tahmin etmeyi öğrenmesine yardımcı olur. Bu, geleneksel regresyon kayıplarına kıyasla daha hızlı yakınsama ve daha iyi konumlandırma performansı sağlar. Belgelerimizde farklı YOLO modelleri arasındaki ayrıntılı karşılaştırmaları bulabilirsiniz.

Model eğitimi ve hiperparametre ayarlaması sırasında IoU'nun izlenmesi, geliştiricilerin daha iyi lokalizasyon için modelleri iyileştirmesine yardımcı olur. Ultralytics HUB gibi araçlar, IoU ve diğer metrikleri izlemeyi sağlayarak model geliştirme döngüsünü kolaylaştırır. Yaygın kullanımına rağmen, standart IoU bazen özellikle örtüşmeyen kutular için duyarsız olabilir. Bu sınırlama, yukarıda bahsedilen IoU varyantlarının geliştirilmesine yol açmıştır. Yine de IoU, bilgisayarlı görü değerlendirmesinin temel taşı olmaya devam etmektedir.

IoU ve Diğer Metrikler

IoU hayati önem taşırken, diğer metriklerle olan ilişkisini anlamak önemlidir:

• IoU - Doğruluk Karşılaştırması: Doğruluk, sınıflandırma görevlerinde yaygın bir ölçüdür ve doğru tahminlerin yüzdesini ölçer. Ancak, yerelleştirme hatasını hesaba katmadığı için nesne tespiti için uygun değildir. Bir tahmin, bir nesneyi doğru bir şekilde sınıflandırabilir, ancak sınırlayıcı kutuyu kötü bir şekilde yerleştirebilir. IoU, yerelleştirmenin kalitesini ölçerek bu sorunu özel olarak ele alır.
• IoU - Ortalama Kesinlik (mAP) Karşılaştırması: Bu terimler ilişkili ancak farklıdır. IoU, tek bir tahmin edilen sınırlayıcı kutunun kalitesini ölçer. Buna karşılık, mAP, bir modelin bir veri kümesindeki tüm nesneler ve sınıflar üzerindeki performansını değerlendiren kapsamlı bir ölçüdür. Birden çok IoU eşiği ve tüm sınıflar üzerindeki kesinlik değerlerinin ortalaması alınarak hesaplanır. Esasen, IoU, mAP'yi hesaplamak için bir yapı taşıdır. Bu ilişkinin ayrıntılı bir açıklaması YOLO performans metrikleri kılavuzumuzda bulunabilir.
• IoU - F1-Skoru Karşılaştırması: F1-skoru, kesinlik ve hatırlamanın harmonik ortalamasıdır ve genellikle sınıflandırmada kullanılır. Kesinlik ve hatırlama mAP'yi hesaplamada kullanılırken, F1-skoru kendisi IoU gibi yerelleştirme kalitesini doğrudan ölçmez. Daha çok tüm pozitif örnekleri bulma ile bu bulguların doğruluğu arasındaki dengeye odaklanır.