インターセクション・オーバー・ユニオン（IoU）

モデル評価におけるIoUの重要性

IoUは、次のようなモデルがどの程度優れているかを評価する際に、重要な性能指標となる。 Ultralytics YOLOのようなモデルが、画像内のオブジェクトの位置をどの程度特定できるかを評価する際に、重要な性能指標となる。分類はどのような物体が存在するかを教えてくれますが、IoUはモデルがその物体の位置をどれだけ正確に特定したかを教えてくれます。この空間精度は、正確な位置特定が正しい分類と同じくらい重要である多くの実世界のシナリオで不可欠です。IoUスコアが高いということは、モデルの予測が実際の物体境界と密接に一致していることを示します。COCOデータセットの評価や古いPASCAL VOCチャレンジのような多くの物体検出ベンチマークは、IoUしきい値に大きく依存しています。

IoUの計算

この計算では、予測されたバウンディングボックスとグラウンドトゥルースのバウンディングボックスが重なる部分（交点）を、両方のボックスがカバーする総面積（和）で割ります。この比率の結果、0から1の間のスコアが得られます。1のスコアは完全な一致を意味し、予測されたボックスがグランドトゥルースと完全に重なることを意味します。スコア0は、全く重なっていないことを示します。多くのオブジェクト検出評価プロトコルで一般的に行われているのは、IoUスコアがある閾値（多くの場合0.5）を満たすか超える場合に、予測が正しいとみなすことです。

IoUの実世界での応用

IoUの定位精度を測定する能力は、さまざまな領域で不可欠なものとなっている：

1. 自律走行車： 自動運転車のAIでは、歩行者、自転車、他の車両の位置を正確に検出することが安全にとって極めて重要です。高いIoUは、システムが周囲の空間レイアウトを正確に理解することを保証し、ナビゲーションと衝突回避に不可欠で、自律走行車全体の安全性に貢献する。
2. 医療画像： 医用画像解析で見られるスキャン画像の腫瘍検出のようなタスクでは、IoUは、AIモデルが異常の境界をどの程度アウトライン化しているかを評価するのに役立ちます。高いIoUによって示される正確な位置特定は、多くの医療画像AI研究で強調されているように、ヘルスケアにおけるAIでの正確な診断と治療計画に不可欠です。

IoUとその他の評価指標その他の評価指標

IoUは特にローカリゼーションの品質を測定しますが、パフォーマンスを完全に把握するために他のメトリクスと一緒に使用されることもよくあります。平均平均精度（mAP）は、さまざまなIoUのしきい値にわたって精度（ポジティブな予測の精度）とリコール（すべての関連するインスタンスを見つける能力）の両方を考慮する、広く使用されているメトリックです。個々の予測を評価するIoUとは異なり、mAPは異なるクラスとしきい値にわたるスコアの集計を提供し、モデルの品質のより広範な評価を提供します。これらのメトリクスについては、YOLO パフォーマンス・メトリクス・ガイドをご覧ください。精度と想起の関係を理解することが、mAPを解釈する鍵です。

IoUでモデルのパフォーマンスを向上

IoUは単なる評価指標ではなく、トレーニングプロセスそのものに不可欠なものでもある。例えば、IoU計算はしばしば損失関数（GIoU、DIoU、CIoU損失など）の中で使用され、正確なバウンディングボックスを予測するモデルの能力を直接最適化します。トレーニングやハイパーパラメータのチューニング中にIoUをモニタリングすることで、開発者はより良いローカライゼーションのためにモデルを改良することができます。Ultralytics HUBのようなツールは、IoUやその他のメトリクスを追跡し、モデルの改善サイクルを効率化します。その有用性にもかかわらず、IoUはオブジェクトのスケールや小さな位置誤差に敏感である可能性がありますが、コンピュータ・ビジョン評価の基礎であることに変わりはありません。