Birlik Üzerinde KavşakIoU)

Birlik Üzerinden KesişimIoU), aşağıdaki alanlarda kullanılan temel bir değerlendirme ölçütüdür doğruluğunu ölçmek için bilgisayarla görme (CV) belirli bir veri kümesi üzerinde bir nesne dedektörü. Genellikle akademik çevrelerde Jaccard İndeksi, IoU , aşağıdakiler arasındaki örtüşme derecesini ölçer iki bölge: bir sınırlayıcı kutu tarafından oluşturulan tahmin edilen sınırlayıcı kutu modelinin gerçek konumunu temsil eden elle etiketlenmiş ek açıklama olan temel gerçek sınırlama kutusu nesne. Bu metrik 0 ile 1 arasında değişen bir değer üretir; burada 0 örtüşme olmadığını ve 1 mükemmel bir örtüşmeyi temsil eder. Tahmin ve gerçek arasındaki eşleşme.

IoU 'nun Nasıl Çalıştığını Anlama

IoU 'nun hesaplanması kavramsal olarak basittir, bu da onu aşağıdakiler için standart bir ölçüt haline getirir nesne algılama ve görüntü bölütleme görevleri. Tarafından belirlenir kesişme alanının (örtüşen bölge) birleşme alanına (her iki bölgenin toplam birleşik alanı) bölünmesi kutular). Örtüşme alanını toplam alana göre normalize ederek, IoU ölçekten bağımsız bir ölçü sağlar, yani nesnenin boyutundan bağımsız olarak uyumun kalitesini değerlendirir.

Pratik uygulamalarda, bir tahmini bir tahmin olarak classify için genellikle IoU puanına bir eşik uygulanır. "pozitif" veya "negatif" tespit. Örneğin, aşağıdaki gibi standart mücadelelerde COCO veri seti kıyaslamaları, 0,5'lik bir IoU eşiği (veya 50) genellikle bir tespitin geçerli olup olmadığını belirlemek için kullanılır. Bu eşikleme, aşağı akış hesaplaması için kritik öneme sahiptir Hassasiyet ve Geri çağırma, nihayetinde Kullanılan Ortalama Ortalama Hassasiyet (mAP) puanı model performansını sıralamak için.

Python ile IoU Hesaplama

Kutular arasındaki IoU 'yu, aşağıda verilen fayda fonksiyonlarını kullanarak kolayca hesaplayabilirsiniz ultralytics paketi. Bu, özel değerlendirme komut dosyaları veya model davranışını anlamak için kullanışlıdır. çıkarım.

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

Gerçek Dünya Uygulamaları

IoU tarafından sağlanan yerelleştirme hassasiyeti, güvenlik ve doğruluğun önemli olduğu çeşitli sektörlerde hayati önem taşımaktadır. çok önemli.

• Otomotivde Yapay Zeka: İçinde otonom araçların, sistemlerin geliştirilmesi yayalar, diğer araçlar ve statik engeller arasında doğru bir ayrım yapmalıdır. Yüksek bir IoU puanı şunları sağlar Algı sistemi bir nesnenin arabaya göre tam olarak nerede olduğunu bilir, sadece var olduğunu değil. Bu kesin gibi liderler tarafından kullanılan yörünge planlama ve çarpışmadan kaçınma sistemleri için yerelleştirme esastır. Waymo ve Tesla.
• Tıbbi Görüntü Analizi: MRI veya CT taramalarında tümör gibi anomalileri detect etmek için yapay zeka kullanıldığında, lezyonun tam sınırı önemlidir teşhis ve tedavi planlaması için önemli bir rol oynar. Yüksek IoU 'ya sahip bir model Sağlık hizmetlerinde yapay zeka araçları doğru çok fazla sağlıklı doku içermeden etkilenen alanın tamamını vurgulayarak radyologlara karar vermede yardımcı olur. kritik kararlar.

Model Eğitimi ve Çıkarımında IoU

Basit bir değerlendirmenin ötesinde IoU , aşağıdaki gibi modern mimarilerin iç mekaniğinde aktif bir rol oynar YOLO11.

• Kayıp Fonksiyonu Optimizasyonu: Geleneksel kayıp fonksiyonları genellikle üst üste binmeyen sınırlayıcı kutularla mücadele eder. Bunu ele almak için, aşağıdaki gibi varyasyonlar Genelleştirilmiş IoU GIoU), Mesafe IoU DIoU) ve Tam IoU CIoU) doğrudan eğitime dahil edilmiştir süreci. Bu varyasyonlar, kutular birbirine değmediğinde bile gradyanlar sağlayarak modelin daha hızlı yakınsamasına yardımcı olur ve daha iyi lokalizasyon elde etmek.
• Maksimum Olmayan Bastırma (NMS): Çıkarım sırasında, bir nesne algılayıcı tek bir nesne için birden fazla sınırlayıcı kutu çıktısı verebilir. NMS , IoU şu amaçlarla kullanır bu sonuçları filtreler. Tahmin edilen iki kutu belirli bir NMS eşiğinden (örn. 0,7) daha yüksek bir IoU 'ya sahipse ve aynı sınıfa, daha düşük olana güven puanı bastırılır ve sadece en iyi Tahmin.

IoU ve İlgili Metrikler

Özel göreviniz için doğru metriği seçmek amacıyla IoU 'yu benzer terimlerden ayırt etmek önemlidir.

• IoU ve Doğruluk: Doğruluk tipik olarak doğru sınıflandırmaların yüzdesini ölçer (örneğin, "Bu bir kedi mi?"). Şunları hesaba katmaz nesnenin nerede olduğu. IoU özellikle yerelleştirmenin kalitesini ölçer (örneğin, "Nesnenin nerede olduğu ne kadar iyi kutu kediye uyuyor mu?"). Bir model yüksek sınıflandırma doğruluğuna sahip olabilir ancak kutular gevşekse veya yanlış hizalanmış.
• IoU ve Zar Katsayısı: Her iki ölçüm de örtüşüyor ve pozitif korelasyon gösteriyor olsa da, Dice Katsayısı (veya piksellerin F1 puanı) daha fazla bilgi verir kesişime ağırlık verir. Dice skoru daha yaygın olarak şu alanlarda önceliklendirilir semantik segmentasyon görevleri, IoU ise sınırlayıcı kutu nesne tespiti için standart.