インターセクション・オーバー・ユニオンIoU

交差率（Intersection over Union,IoU）は、コンピュータビジョンにおいて物体検出器の精度を定量化する基礎的な指標であり、二つの境界領域間の重なりを測定する。技術的にはジャッカード指数と呼ばれることも多く、IoU 境界ボックスが真値ボックス（人間アノテーターによってラベル付けされた物体の実際の位置）とどの程度一致するかをIoU スコアは0から1の範囲で、0は重なりなしを、1は完全なピクセル単位の一致を示す。この指標はYOLO26のようなモデルの空間的精度を評価する上で不可欠であり、単純な分類を超え、システムが物体の位置を正確に把握していることを保証する。

オーバーラップ測定の仕組み

IoU 概念はIoU ：2つのボックスが交差する領域の面積を、両ボックスの合計面積（和集合）で割った比率を算出する。この計算は物体の総サイズで重なりを正規化するため、IoU スケール不変の指標としてIoU これは、コンピュータビジョンモデルが巨大な貨物船を検知しているか、小さな昆虫を検知しているかに関わらず、 性能を公平に評価できることを意味します。

標準的な物体検出ワークフローにおいて、IoU 予測が「真陽性」か「偽陽性」かを判断する主要なフィルターIoU 。 評価時には、エンジニアが特定の閾値（一般的に0.50または0.75）を設定します。重なりスコアがこの数値を超える場合、検出は正しいとみなされます。この閾値設定プロセスは、 異なるクラスや難易度レベルにわたるモデルの精度を要約する 平均精度（mAP）などの総合的な性能指標を計算するための前提条件となります。

実際のアプリケーション

高精度な空間認識は、大まかな近似が故障や安全上の危険につながる産業において極めて重要です。IoIoU はAIシステムが物理世界を正確に認識することを保証します。

• 自動運転： 自動車向けAI分野において、自動運転車は単にdetect だけでなく、車線に対する歩行者の正確な位置を把握しなければならない。テスト時のIoU 、自動運転車の知覚スタックが障害物を正確に特定できることを証明し、安全な軌道計画と衝突回避を可能にする。
• 精密医療： 医療分野におけるAIでは、 MRI画像における腫瘍のセグメンテーションなどのタスクにおいてIoU 極めてIoU 。 放射線科医は異常病変の増大・縮小を測定するため、 医療画像解析に依存している。 高いIoU を持つモデルは、予測境界が実際の腫瘍縁に厳密に追従することをIoU 、 放射線治療における線量決定や正常組織の保護において決定的に重要である。

Python IoU 計算する

概念は幾何学的であるが、実装は数学的である。 ultralytics このパッケージは、IoU 計算するための最適化されたユーティリティを提供します。これはモデルの挙動を検証したり、予測結果をフィルタリングするのに有用です。

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

モデル学習と最適化IoU

IoU 単なる評価指標として機能するだけでなく、深層学習ネットワークのトレーニングにおける能動的な構成要素IoU 。

• 損失関数の進化：平均二乗誤差（MSE）のような従来の距離測定法は、 境界ボックスの幾何学的特性を捉えられないことが多い。 現代の検出器は、IoU GIoU）IoU CIoU）など、 IoUベースの損失関数を利用する。 これらの高度な関数は、アスペクト比と中心点距離を考慮することで、 ニューラルネットワークの収束を加速させる。
• 重複除去：推論中、モデルは同一のオブジェクトをわずかに異なるバウンディングボックスで複数回識別する場合がある。 ノン・マキシマム・サプレッション（NMS）と呼ばれる手法は、 これらの重複する識別IoU 。 最も高い信頼度スコアを持つバウンディングボックスを保持し、 IoU が高い周囲のボックスを抑制することで、 クリーンな最終出力を保証する。

IoU 関連指標の区別

機械学習モデルを効果的に評価するには、 IoU 他の類似度IoU 区別することが重要である。

• IoU ： 精度がモデルの正しいクラス予測頻度（例：「犬」対「猫」）を測るのに対し、位置情報は無視される。 モデルが100%の分類精度を達成してもIoU 画像の誤った隅にボックスIoU IoU 位置特定精度を評価する指標である。
• IoU ：両指標とも集合の類似性を測定するが、ダイス係数（ピクセル重合のF1スコア）は共通部分により重みを与える。ダイス係数は不規則な形状を含むセマンティックセグメンテーションタスクの標準としてより一般的であり、IoU 矩形境界ボックス検出のIoU 。

IoU を達成するには、モデルは正確なトレーニングデータを必要とします。 Ultralytics ツールは高品質なデータアノテーションの作成を容易にし、 チームがトレーニング開始前にグラウンドトゥルースボックスを可視化し、 オブジェクトにぴったりとフィットすることを保証できるようにします。