التقاطع على الاتحاد (IoU)

أهمية وحدة التقييم المستقل في تقييم النماذج

تُعدّ وحدة المعالجة المتكاملة للأشعة بمثابة مؤشر أداء حاسم عند تقييم مدى جودة النماذج، مثل Ultralytics YOLOفي تحديد موقع الأجسام داخل الصورة. بينما يخبرنا التصنيف ما هو الكائن الموجود (انظر تصنيف الصور)، تخبرنا وحدة تحديد الموقع المكاني بمدى دقة النموذج في تحديد موقعه. تُعد هذه الدقة المكانية أمرًا حيويًا في العديد من سيناريوهات العالم الحقيقي حيث يكون التوطين الدقيق مهمًا مثل التصنيف الصحيح. تشير درجات IoU المرتفعة إلى أن تنبؤات النموذج تتوافق بشكل وثيق مع حدود الكائن الفعلية. تعتمد العديد من المعايير القياسية للكشف عن الأجسام، مثل تقييم مجموعة بيانات COCO الشهيرة وتحدي PASCAL VOC الأقدم، اعتمادًا كبيرًا على عتبات IoU لتحديد ما إذا كان الاكتشاف يعتبر صحيحًا. يمكنك استكشاف مجموعات البيانات المعيارية المختلفة مثل COCO و PASCAL VOC في وثائقنا.

حساب IoU

تتضمّن العملية الحسابية قسمة المساحة التي يتداخل فيها المربع المحدّد المتوقّع مع المربع المحدّد الحقيقي (التقاطع) على المساحة الإجمالية التي يغطيها كلا المربعين معًا (الاتحاد). ينتج عن هذه النسبة درجة تتراوح بين 0 و1. تشير الدرجة 1 إلى تطابق تام، ما يعني أن المربع المتوقع يتداخل تمامًا مع الحقيقة الأرضية. تشير الدرجة 0 إلى عدم وجود تداخل على الإطلاق. تتمثل إحدى الممارسات الشائعة في العديد من بروتوكولات تقييم اكتشاف الأجسام في اعتبار التنبؤ صحيحًا إذا كانت درجة وحدة التداخل في المربع الأرضي تفي بعتبة معينة أو تتجاوزها، وغالبًا ما تكون 0.5. ومع ذلك، قد يتم استخدام عتبات أكثر صرامة (على سبيل المثال، 0.75 أو حتى 0.9) اعتمادًا على حاجة التطبيق إلى الدقة، كما هو موضح في مقاييس مثل mAP@.5:.95 المستخدمة في تقييمات COCO. تؤثر هذه العتبة بشكل مباشر على مقاييس مثل الدقة والاستدعاء.

التطبيقات الواقعية لوحدة إنترنت الأشياء

إن قدرة IoU على قياس دقة التوطين تجعله لا غنى عنه في مختلف المجالات:

• المركبات ذاتية القيادة: في مجال الذكاء الاصطناعي للسيارات ذاتية القيادة، يعد الكشف الدقيق عن المشاة وراكبي الدراجات والمركبات الأخرى أمراً بالغ الأهمية للسلامة. نموذج اكتشاف الأجسام مثل YOLO11 يتنبأ بالمربعات المحيطة بهذه الأجسام. ويضمن وجود وحدة قياس دقيقة عالية بين المربع المتوقع وموقع الجسم الفعلي أن يكون لدى نظام السيارة فهم دقيق لمحيطها، وهو أمر بالغ الأهمية للملاحة وتجنب الاصطدام. غالباً ما تعتمد معايير سلامة المركبات ذاتية القيادة ضمنياً على دقة تحديد الموقع العالية.
• تحليل الصور الطبية: عند استخدام الذكاء الاصطناعي في مجال الرعاية الصحية، وخاصةً لتحليل الصور الطبية، تساعد وحدة الذكاء الاصطناعي في تقييم النماذج المصممة للكشف عن الأورام أو الحالات الشاذة في عمليات المسح (مثل التصوير المقطعي المحوسب أو التصوير بالرنين المغناطيسي). على سبيل المثال، يحتاج نموذج تجزئة الورم(تجزئة الصور) إلى تحديده بدقة. يقيس IoU التداخل بين منطقة الورم المتوقعة للنموذج والمنطقة التي حددها أخصائي الأشعة (الحقيقة الأرضية)، مما يضمن أن نتائج النموذج ذات صلة سريريًا. ويُعدّ ارتفاع معدل الذكاء الاصطناعي في الذكاء الاصطناعي أمرًا حيويًا للتشخيص الدقيق وتخطيط العلاج، كما هو موضح في العديد من دراسات الذكاء الاصطناعي للتصوير الطبي. يمكنك العثور على مجموعات البيانات ذات الصلة مثل مجموعة بيانات الكشف عن أورام الدماغ في موارد مجموعة البيانات الخاصة بنا.

IoU مقابل IoU. مقاييس التقييم الأخرى

بينما يقيس IoU على وجه التحديد جودة التوطين لتنبؤ واحد مقابل حقيقة أرضية، إلا أنه غالبًا ما يُستخدم إلى جانب مقاييس أخرى للحصول على صورة أداء كاملة.

• متوسط متوسط الدقة (mAP): هذا مقياس إجمالي يستخدم على نطاق واسع في اكتشاف الكائنات. وهو يحسب متوسط الدقة عبر عتبات IoU المختلفة (على سبيل المثال، من 0.5 إلى 0.95) وغالبًا عبر فئات متعددة من الكائنات. على عكس IoU، الذي يقيّم التنبؤات الفردية، يوفر mAP رقمًا واحدًا يلخص الأداء الكلي للنموذج من حيث دقة التصنيف والتوطين عبر نقاط تشغيل مختلفة. يمكنك معرفة المزيد حول هذه المقاييس في دليل مقاييس أداءYOLO .
• الدقة والاسترجاع: لا يقيس IoU نفسه صحة التصنيف بشكل مباشر، بل يقيس فقط تداخل التوطين. يقيس الدقة دقة التنبؤات الإيجابية (عدد المربعات المكتشفة التي تحتوي بالفعل على كائن)، بينما يقيس الاستدعاء قدرة النموذج على العثور على جميع الحالات ذات الصلة (عدد الكائنات الفعلية التي تم اكتشافها). يتم استخدام عتبات IoU في حساب الدقة والاستدعاء لتحديد ما إذا كان الاكتشاف إيجابيًا حقيقيًا. يعد فهم العلاقة بين الدقة والاستدعاء أمرًا أساسيًا لتفسير مقاييس مثل mAP ودرجة F1.

تحسين أداء النماذج باستخدام IoU

لا تُعد وحدة الكشف عن الأجسام مجرد مقياس للتقييم؛ فهي أيضًا جزء لا يتجزأ من عملية التدريب نفسها. العديد من البنى الحديثة للكشف عن الأجسام، بما في ذلك المتغيرات من Ultralytics YOLOv8وYOLOv10، تستخدم IoU أو أشكاله المختلفة (مثل IoU المعمم (GIoU) أو IoU-IoU للمسافة (DIoU) أو IoU-IoU الكامل (CIoU) مباشرةً ضمن وظائف الخسارة الخاصة بها. تساعد هذه الخسائر المتقدمة المستندة إلى IoU النموذج على تعلم التنبؤ بالمربعات المحدودة التي لا تتداخل بشكل جيد فحسب، بل تأخذ في الاعتبار أيضًا عوامل مثل المسافة بين المراكز واتساق نسبة الأبعاد، مما يؤدي إلى تقارب أسرع وأداء توطين أفضل مقارنةً بخسائر الانحدار التقليدية. يمكنك العثور على مقارنات مفصلة بين نماذج YOLO المختلفة في وثائقنا.

تساعد مراقبة IoU أثناء تدريب النموذج وضبط المعلمة الفائقة المطورين على تحسين النماذج من أجل توطين أفضل. تسمح أدوات مثل Ultralytics HUB بتتبع IoU وغيرها من المقاييس الأخرى، مما يسهل دورة تحسين النموذج. على الرغم من فائدتها الواسعة الانتشار، قد تكون وحدة قياس IoU القياسية غير حساسة في بعض الأحيان، خاصةً بالنسبة للمربعات غير المتداخلة أو المربعات ذات المقاييس المختلفة جداً. وقد حفز هذا الأمر على تطوير متغيرات IoU المذكورة أعلاه. وعلى الرغم من ذلك، لا تزال وحدة قياس الأداء المعيارية حجر الزاوية في تقييم الرؤية الحاسوبية ومفهومًا أساسيًا في التعلم العميق (DL).