Birlik Üzerinde KavşakIoU)

Kesişim Üzerinde Birleşim (IoU), bilgisayar görüşünde bir nesne algılayıcısının doğruluğunu iki sınır arasındaki örtüşmeyi ölçerek nicelendirmek için kullanılan temel bir metriktir. Teknik olarak genellikle Jaccard Endeksi olarak adlandırılan IoU , tahmin edilen sınırlayıcı kutunun, insan tarafından etiketlenen nesnenin gerçek konumu olan temel gerçek kutu ile ne kadar iyi hizalandığını IoU . Puan 0 ile 1 arasında değişir; 0, örtüşme olmadığını , 1 ise piksel piksel mükemmel bir eşleşmeyi temsil eder. Bu metrik, YOLO26 gibi modellerin uzamsal hassasiyetini değerlendirmek için gereklidir ve basit sınıflandırmanın ötesine geçerek sistemin bir nesnenin tam olarak nerede olduğunu bilmesini sağlar.

Örtüşmeyi Ölçmenin Mekanizması

IoU arkasındaki kavram IoU : iki kutunun kesiştiği alanın, her iki kutunun kapladığı toplam alanın (birleşim) oranını hesaplar. Bu hesaplama, nesnelerin toplam boyutuna göre örtüşmeyi normalleştirdiği için, IoU ölçekten bağımsız bir metrik IoU . Bu, bilgisayar görme modelinin büyük bir kargo gemisini veya küçük bir böceği algılamasına bakılmaksızın, performansı adil bir şekilde değerlendirdiği anlamına gelir. Bu, bilgisayar görme modelinin büyük bir kargo gemisini mi yoksa küçük bir böceği mi algıladığına bakılmaksızın performansın adil bir değerlendirmesini sağladığı anlamına gelir.

Standart nesne algılama iş akışlarında, IoU , bir tahminin "Doğru Pozitif" mi yoksa "Yanlış Pozitif" mi olduğunu belirlemek için birincil IoU Değerlendirme sırasında mühendisler, genellikle 0,50 veya 0,75 gibi belirli bir eşik değeri belirler. Örtüşme puanı bu sayıyı aşarsa, algılama doğru olarak sayılır. Bu eşikleme süreci, farklı sınıflar ve zorluk seviyeleri arasında model doğruluğunu özetleyen Ortalama Ortalama Hassasiyet (mAP) gibi toplam performans metriklerini hesaplamak için bir ön koşuldur. .

Gerçek Dünya Uygulamaları

Yüksek uzamsal hassasiyet, belirsiz yaklaşımların başarısızlığa veya güvenlik tehlikelerine yol açabileceği endüstrilerde çok önemlidir. IoU , AI sistemlerinin fiziksel dünyayı doğru bir şekilde algılamasını sağlar.

• Otonom Sürüş: Otomotivde yapay zeka alanında, otonom araçlar sadece bir detect kalmamalı, yayaya ait şeride göre kesin konumunu da bilmelidir. Testler sırasında elde edilen yüksek IoU , otonom araç algılama yığınının engelleri doğru bir şekilde belirleyebildiğini ve böylece güvenli yörünge planlaması ve çarpışma önlemeyi mümkün kıldığını doğrulamaktadır.
• Hassas Tıp: Sağlık hizmetlerinde yapay zeka için, IoU , MRI taramalarında tümör segmentasyonu gibi görevler için hayati IoU . Radyologlar, anormalliklerin büyümesini veya küçülmesini ölçmek için tıbbi görüntü analizine güvenirler. Yüksek IoU sahip bir model, tahmin edilen sınırın gerçek tümör kenarını yakından takip etmesini IoU , bu da radyasyon terapisinde dozu belirlemek ve sağlıklı dokuyu korumak için çok önemlidir.

Python ile IoU Hesaplama

Konsept geometrik olsa da, uygulaması matematikseldir. ultralytics paket, model davranışını doğrulamak veya tahminleri filtrelemek için yararlı olan IoU hesaplamak için optimize edilmiş yardımcı programlar sağlar. paket, model davranışını doğrulamak veya tahminleri filtrelemek için yararlı olan IoU şekilde hesaplamak için optimize edilmiş yardımcı programlar sağlar. paket, model davranışını doğrulamak veya tahminleri filtrelemek için yararlı olan IoU verimli bir şekilde

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

Model Eğitimi ve IoU

IoU , bir puan kartı olarak hizmet etmenin ötesinde, derin öğrenme ağlarının eğitiminde aktif bir IoU .

• Kayıp Fonksiyonu Evrimi: Ortalama Karesel Hata (MSE) gibi geleneksel mesafe ölçütleri genellikle sınırlayıcı kutuların geometrik özelliklerini yakalayamaz. Modern dedektörler, Genelleştirilmiş IoU GIoU) ve Tam IoU CIoU) gibi IoUabanlı kayıp fonksiyonlarını kullanır. Bu gelişmiş fonksiyonlar, en boy oranlarını ve merkez nokta mesafelerini dikkate alarak sinir ağının daha hızlı yakınsamasına rehberlik eder.
• Yinelenenlerin Kaldırılması: Çıkarım sırasında, bir model aynı nesneyi biraz farklı kutularla birden çok kez tanımlayabilir. Non-Maximum Suppression (NMS) adı verilen bir teknik, IoU bu çakışan yinelenenleri IoU . En yüksek güvenilirlik puanına sahip kutuyu korur ve IoU yüksek IoU sahip çevredeki kutuları bastırarak temiz bir son çıktı sağlar.

IoU İlgili IoU Ayırma

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

• IoU Doğruluk: Doğruluk, bir modelin doğru sınıfı (örneğin, "Köpek" ve "Kedi") ne sıklıkla tahmin ettiğini ölçerken, konumu göz ardı eder. Bir model, görüntünün yanlış köşesine kutu IoU %100 sınıflandırma doğruluğuna sahip olabilir, ancak %0 IoU sahip olabilir. IoU yerelleştirme kalitesini hedefler.
• IoU Dice Katsayısı: Her iki metrik de küme benzerliğini ölçer, ancak Dice Katsayısı (piksel çakışmasının F1 puanı) kesişime daha fazla ağırlık verir. Dice, genellikle düzensiz şekilleri içeren anlamsal segmentasyon görevleri için standarttır , IoU ise dikdörtgen sınırlayıcı kutu algılama için IoU .

Yüksek IoU elde etmek için modellerin hassas eğitim verilerine ihtiyacı vardır. Ultralytics gibi araçlar, yüksek kaliteli veri açıklamalarının oluşturulmasını kolaylaştırarak ekiplerin temel gerçek kutularını görselleştirmesine ve eğitim başlamadan önce nesnelere tam olarak uyduğundan emin olmasına olanak tanır.