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（画像分類を参照）、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。この空間的な精度は、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オブジェクトの境界と密接に一致していることを示します。人気のあるCOCOデータセット評価や古い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、検出が正しいとみなされるかどうかを判断するためにIoUしきい値に大きく依存しています。COCOや PASCAL VOCのような様々なベンチマークデータセットについては、私たちのドキュメントで調べることができます。

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。スコア1は完全な一致を意味し、予測されたボックスがグラウ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。多くの物体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）以上であれば予測は正しいとみなすというものです。しかし、COCO評価で使用されるmAP@.5:.95 のようなメトリクスに見られるように、アプリケーションの精度の必要性に応じて、より厳しい閾値（例えば、0.75や0.9）が使用されることもあります。この閾値は、精度や リコールなどのメトリクスに直接影響します。

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：

• 自律走行車 自動運転車のAIでは、歩行者、自転車、他の車両を正確に検出することが安全のために最も重要である。のような物体検出モデルはYOLO11のような物体検出モデルは、これらの物体の周囲のバウンディングボックスを予測する。予測されたボックスと実際のオブジェクトの位置との間の高いIoUは、ナビゲーションと衝突回避のために重要な、車のシステムがその周囲を正確に理解することを保証する。自律走行車の安全基準は、暗黙のうちに高い定位精度に依存していることが多い。
• 医療画像解析： ヘルスケア、特に医療画像解析に AIを使用する場合、IoUはスキャン（CTやMRIなど）の腫瘍や異常を検出するように設計されたモデルを評価するのに役立ちます。例えば、腫瘍をセグメンテーションするモデル（画像セグメンテーション）は、腫瘍の輪郭を正確に描く必要がある。IoUは、モデルが予測した腫瘍領域と放射線科医がマークした領域（グランドトゥルース）の重なりを測定し、モデルの所見が臨床的に適切であることを確認します。様々な医療画像AI研究で強調されているように、高いIoUは正確な診断と治療計画に不可欠です。脳腫瘍検出データセットのような関連データセットは、データセット・リソースで見つけることができます。

IoUとその他の評価指標その他の評価指標

IoUは、グランドトゥルースに対する単一の予測に対するローカリゼーションの品質を特に測定しますが、完全なパフォーマンス画像のために他のメトリクスと一緒に使用されることがよくあります。

• 平均平均精度（mAP）：これは物体検出において広く使用されている集計指標である。これは様々なIoU閾値（例えば0.5から0.95まで）、そして多くの場合複数のオブジェクトクラスにわたる平均精度を計算する。個々の予測値を評価するIoUとは異なり、mAPは、異なる操作ポイントにわたる分類精度とローカライズ精度の両方の観点から、モデルの全体的なパフォーマンスを要約する単一の数値を提供します。これらのメトリクスの詳細については、YOLO パフォーマンス・メトリクス・ガイドをご覧ください。
• プレシジョンとリコール：IoU自体は分類の正しさを直接測定するものではなく、ローカライゼーションのオーバーラップのみを測定する。プレシジョンはポジティブ予測の精度（いくつの検出されたボックスが実際にオブジェクトを含むか）を測定し、リコールはすべての関連するインスタンスを見つけるモデルの能力（いくつの実際のオブジェクトが検出されたか）を測定する。IoUしきい値は、検出が真陽性であるかどうかを決定するために、精度とリコールの計算の中で使用されます。PrecisionとRecallの関係を理解することは、mAPやF1スコアのようなメトリクスを解釈するための鍵となります。

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だ。最新の物体検出アーキテクチャの多くは Ultralytics YOLOv8やYOLOv10のバリエーションを含む多くの最新の物体検出アーキテクチャは、IoUまたはそのバリエーション（一般化IoU（GIoU）、距離IoU（DIoU）、完全IoU（CIoU）など）を損失関数内で直接使用しています。これらの高度なIoUベースの損失は、モデルがうまく重なるだけでなく、中心間の距離やアスペクト比の一貫性などの要因も考慮したバウンディングボックスを予測する学習を支援し、従来の回帰損失と比較して、より速い収束と優れたローカリゼーションパフォーマンスをもたらします。異なるYOLO モデル間の詳細な比較は、ドキュメントでご覧いただけます。

モデルのトレーニングや 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。IoUは広く使われているにもかかわらず、標準的なIoUは、特に重なっていないボックスや非常に異なるスケールのボックスに対して鈍感な場合があります。このことが、前述のIoUバリアントの開発の動機となりました。それにもかかわらず、IoUは依然としてコンピュータビジョン評価の基礎であり、ディープラーニング（DL）における重要な概念である。