Intersection over Union (IoU)

Kesişim Üzerinden Birleşim (IoU), bilgisayarlı görü alanında, bir nesne dedektörünün doğruluğunu iki sınır arasındaki örtüşmeyi ölçerek nicelleştirmek için kullanılan temel bir metriktir. Teknik olarak sıklıkla Jaccard Endeksi olarak adlandırılan IoU, tahmin edilen bir sınırlayıcı kutunun gerçek değer kutusuyla, yani bir insan etiketleyici tarafından etiketlenen nesnenin gerçek konumuyla ne kadar iyi hizalandığını değerlendirir. Skor 0 ile 1 arasında değişir; 0 hiç örtüşme olmadığını, 1 ise pikselsel olarak kusursuz bir eşleşmeyi temsil eder. Bu metrik, YOLO26 gibi modellerin uzamsal hassasiyetini değerlendirmek ve basit sınıflandırmanın ötesine geçerek sistemin bir nesnenin tam olarak nerede bulunduğunu bilmesini sağlamak için gereklidir.

Link to this sectionÖrtüşme Ölçümünün Mekanikleri#

IoU'nun arkasındaki kavram sezgiseldir: iki kutunun kesiştiği alanın, her iki kutunun toplam kapladığı alana (birleşim) oranını hesaplar. Bu hesaplama, örtüşmeyi nesnelerin toplam boyutuna göre normalleştirdiğinden, IoU ölçekten bağımsız bir metrik olarak hizmet eder. Bu, bilgisayarlı görü modelinin devasa bir kargo gemisini mi yoksa küçücük bir böceği mi tespit ettiğinden bağımsız olarak performansın adil bir değerlendirmesini sunduğu anlamına gelir.

Standart nesne tespiti iş akışlarında IoU, bir tahminin "Doğru Pozitif" mi yoksa "Yanlış Pozitif" mi olduğunu belirlemek için kullanılan birincil filtredir. Değerlendirme sırasında mühendisler genellikle 0,50 veya 0,75 gibi belirli bir eşik değeri belirlerler. Örtüşme skoru bu sayıyı aşarsa, tespit doğru kabul edilir. Bu eşikleme süreci, farklı sınıflar ve zorluk seviyeleri genelinde model doğruluğunu özetleyen Ortalama Ortalama Hassasiyet (mAP) gibi toplam performans metriklerini hesaplamak için bir ön koşuldur.

Link to this sectionGerçek Dünya Uygulamaları#

Yüksek uzamsal hassasiyet, belirsiz tahminlerin başarısızlığa veya güvenlik tehlikelerine yol açabileceği endüstrilerde kritiktir. IoU, yapay zeka sistemlerinin fiziksel dünyayı doğru bir şekilde algılamasını sağlar.

• Otonom Sürüş: Otomotivde Yapay Zeka alanında, kendi kendine giden arabalar sadece bir yayanın var olduğunu tespit etmekten fazlasını yapmalıdır; yayanın şeride göre hassas konumunu bilmeleri gerekir. Testler sırasındaki yüksek IoU skorları, otonom araç algılama yığınının engelleri doğru bir şekilde belirleyebildiğini doğrular ve böylece güvenli rota planlamasına ve çarpışma önlemeye olanak tanır.
• Hassas Tıp: Sağlık Hizmetlerinde Yapay Zeka için IoU, MRI taramalarındaki tümör segmentasyonu gibi görevler için hayati öneme sahiptir. Radyologlar, anomalilerin büyümesini veya küçülmesini ölçmek için tıbbi görüntü analizi yöntemlerine güvenirler. Yüksek IoU değerine sahip bir model, tahmin edilen sınırın gerçek tümör kenarını yakından takip etmesini sağlar; bu da radyasyon terapisinde dozajı belirlemek ve sağlıklı dokuyu korumak için çok önemlidir.

Link to this sectionPython ile IoU Hesaplama#

Kavram geometrik olsa da uygulama matematikseldir. ultralytics paketi, IoU'yu verimli bir şekilde hesaplamak için optimize edilmiş araçlar sağlar; bu da model davranışını doğrulamak veya tahminleri filtrelemek için kullanışlıdır.

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

Link to this sectionModel Eğitiminde ve Optimizasyonunda IoU#

Bir skor kartı olarak hizmet etmenin ötesinde, IoU derin öğrenme ağlarının eğitiminde aktif bir bileşendir.

• Kayıp Fonksiyonu Evrimi: Ortalama Kare Hata (MSE) gibi geleneksel mesafe metrikleri, sınırlayıcı kutuların geometrik özelliklerini yakalamakta genellikle başarısız olur. Modern dedektörler, Genelleştirilmiş IoU (GIoU) ve Tam IoU (CIoU) gibi IoU tabanlı kayıp fonksiyonları kullanır. Bu gelişmiş fonksiyonlar, en boy oranlarını ve merkez nokta mesafelerini dikkate alarak sinir ağının daha hızlı yakınsamasına rehberlik eder.
• Çift Kayıtların Kaldırılması: Çıkarım sırasında bir model, aynı nesneyi biraz farklı kutularla birden fazla kez tanımlayabilir. Maksimum Olmayan Baskılama (NMS) adı verilen bir teknik, bu örtüşen çiftleri tanımlamak için IoU kullanır. En yüksek güven skoruna sahip kutuyu tutar ve kazananla yüksek IoU değerine sahip çevreleyen kutuları baskılayarak temiz bir nihai çıktı sağlar.

Link to this sectionIoU'yu İlgili Metriklerden Ayırt Etme#

Makine öğrenimi modellerini etkili bir şekilde değerlendirmek için IoU'yu diğer benzerlik metriklerinden ayırmak önemlidir.

• IoU ve Doğruluk: Doğruluk, bir modelin doğru sınıfı ne sıklıkla tahmin ettiğini (örneğin "Köpek" ve "Kedi") ölçerken konumu göz ardı eder. Bir model, kutuyu görüntünün yanlış köşesine çizerse %100 sınıflandırma doğruluğuna ancak %0 IoU değerine sahip olabilir. IoU, özellikle yerelleştirme kalitesine odaklanır.
• IoU ve Dice Katsayısı: Her iki metrik de küme benzerliğini ölçer, ancak Dice Katsayısı (piksel örtüşmesinin F1 skoru), kesişime daha fazla ağırlık verir. Dice, düzensiz şekilleri içeren anlamsal segmentasyon görevleri için daha yaygın bir standartken, IoU dikdörtgen sınırlayıcı kutu tespiti için standarttır.

Yüksek IoU skorlarına ulaşmak için modeller hassas eğitim verilerine ihtiyaç duyar. Ultralytics Platform gibi araçlar, yüksek kaliteli veri etiketleme oluşturulmasını kolaylaştırarak ekiplerin eğitim başlamadan önce gerçek değer kutularını görselleştirmelerini ve nesnelere tam oturduklarından emin olmalarını sağlar.