Birlik Üzerinde Kavşak (IoU)

Birlik üzerinden Kesişim (IoU), bilgisayarla görmede (CV), özellikle de nesne algılama görevlerinde kullanılan temel bir değerlendirme metriğidir. İki sınır arasındaki örtüşmeyi ölçer: bir model tarafından oluşturulan tahmini sınırlayıcı kutu ve elle etiketlenmiş, doğru ana hat olan zemin-gerçek sınırlayıcı kutu. Ortaya çıkan ve 0 ile 1 arasında bir değer olan skor, bir modelin bir görüntüdeki bir nesneyi ne kadar doğru bir şekilde konumlandırdığını ölçer. 1 puan mükemmel bir eşleşmeyi temsil ederken, 0 puan hiç örtüşme olmadığını gösterir. Bu metrik, Ultralytics YOLO11 gibi modellerin yerelleştirme doğruluğunu değerlendirmek için çok önemlidir.

IoU Nasıl Çalışır?

IoU özünde, tahmin edilen ve gerçek sınırlayıcı kutuların kesişiminin (örtüşen alan) birleşimine (her iki kutunun kapsadığı toplam alan) oranını hesaplar. Üst üste binen iki kare düşünün. "Kesişim" üst üste geldikleri ortak alandır. "Birleşme" ise her iki karenin kapladığı toplam alandır ve örtüşen kısım yalnızca bir kez sayılır. IoU, kesişimi birleşime bölerek, tahmin edilen kutunun gerçek nesneyle ne kadar iyi hizalandığına dair standart bir ölçü sağlar. Bu basit ama güçlü kavram, 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 (ör. 0,5). Tahmin edilen bir kutu için IoU puanı bu eşiğin üzerindeyse "gerçek pozitif" olarak sınıflandırılır. Puan altındaysa "yanlış pozitif" olarak sınıflandırılır. Bu eşik, Hassasiyet ve Geri Çağırma gibi diğer performans ölçümlerini doğrudan etkiler ve COCO gibi kıyaslama veri kümelerinde nesne algılama modellerini değerlendirmek için standart bir ölçüm olan Ortalama Hassasiyetin (mAP) hesaplanmasında kritik bir bileşendir.

Gerçek Dünya Uygulamaları

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

1. Otonom Sürüş: Kendi kendine giden arabalar için yapay zekada IoU, arabanın görüş sisteminin yayaları, diğer araçları ve trafik işaretlerini ne kadar iyi algıladığını değerlendirmek için kullanılır. Yüksek IoU puanı, tahmin edilen sınırlayıcı kutuların kesin olmasını sağlar; bu da güvenli navigasyon ve çarpışmadan kaçınma için kritik öneme sahiptir. Waymo gibi şirketler, otonom sistemlerinin güvenliği için doğru nesne tespitine büyük ölçüde güveniyor.
2. Tıbbi Görüntüleme: Tıbbi görüntü analizinde IoU, MRI veya CT gibi taramalarda tümör veya lezyon gibi anomalileri tanımlayan modellerin doğruluğunu değerlendirmeye yardımcı olur. Hassas lokalizasyon, tedavi planlaması için hayati önem taşır ve IoU, bir modelin tahmininin klinik olarak yararlı olup olmadığına dair güvenilir bir ölçüm sağlar. Bu, YOLO modelleri kullanılarak tümör tespiti gibi uygulamalarda çok önemlidir.

IoU ile Model Performansını Artırma

IoU sadece bir değerlendirme metriği değildir; aynı zamanda eğitim sürecinin 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), Distance-IoU (DIoU) veya Complete-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 yerelleştirme performansı sağlar. Farklı YOLO modelleri arasındaki ayrıntılı karşılaştırmaları belgelerimizde bulabilirsiniz.

Model eğitimi ve hiperparametre ayarlama sırasında IoU'nun izlenmesi, geliştiricilerin daha iyi yerelleştirme için modelleri iyileştirmesine yardımcı olur. Ultralytics HUB gibi araçlar IoU ve diğer metriklerin izlenmesine olanak tanıyarak model iyileştirme döngüsünü kolaylaştırır. Yaygın kullanımına rağmen, standart IoU, özellikle örtüşmeyen kutular için bazen duyarsız olabilir. Bu sınırlama, yukarıda bahsedilen IoU varyantlarının geliştirilmesine yol açmıştır. Bununla birlikte, IoU bilgisayarla görme değerlendirmesinin temel taşlarından biri olmaya devam etmektedir.

IoU ve Diğer Metrikler

IoU hayati önem taşısa da, diğer metriklerle olan ilişkisini anlamak önemlidir:

• IoU ve Doğruluk: Doğruluk, sınıflandırma görevlerinde doğru tahminlerin yüzdesini ölçen yaygın bir metriktir. Ancak, yerelleştirme hatasını hesaba katmadığı için nesne algılama için uygun değildir. Bir tahmin bir nesneyi doğru bir şekilde sınıflandırabilir ancak sınırlayıcı kutuyu kötü yerleştirebilir. IoU, yerelleştirmenin kalitesini ölçerek bunu özellikle ele alır.
• IoU ve Ortalama Ortalama Hassasiyet (mAP): Bu terimler birbiriyle ilişkili ancak farklıdır. IoU, tahmin edilen tek bir sınırlayıcı kutunun kalitesini ölçer. Buna karşılık mAP, bir veri kümesindeki tüm nesneler ve sınıflar genelinde modelin performansını değerlendiren kapsamlı bir metriktir. Birden fazla IoU eşiği ve tüm sınıflar genelinde hassasiyet değerlerinin ortalaması alınarak hesaplanır. Esasen IoU, mAP'nin hesaplanması için bir yapı taşıdır. Bu ilişkinin ayrıntılı bir açıklaması YOLO performans metrikleri kılavuzumuzda bulunabilir.
• IoU ve F1-Skoru: F1-skoru, hassasiyet ve geri çağırmanın harmonik ortalamasıdır ve genellikle sınıflandırmada kullanılır. Hassasiyet ve geri çağırma mAP hesaplamasında kullanılırken, F1-skorunun kendisi IoU'nun yaptığı gibi doğrudan yerelleştirme kalitesini ölçmez. Daha çok tüm pozitif örneklerin bulunması ile bu bulguların doğruluğu arasındaki dengeye odaklanır.