유니온을 통한 교차점(IoU)

모델 평가에서 IoU의 중요성

IoU는 다음과 같은 모델이 얼마나 잘 작동하는지 평가할 때 중요한 성과 지표로 사용됩니다. Ultralytics YOLO와 같은 모델이 이미지 내에서 객체를 얼마나 잘 찾아내는지 평가할 때 중요한 성능 지표가 됩니다. 분류는 어떤 객체가 존재하는지 알려주지만( 이미지 분류 참조), IoU는 모델이 그 위치를 얼마나 잘 찾아냈는지를 알려줍니다. 이 공간 정확도는 정확한 분류만큼이나 정확한 위치 파악이 중요한 많은 실제 시나리오에서 매우 중요합니다. IoU 점수가 높다는 것은 모델의 예측이 실제 물체 경계와 밀접하게 일치한다는 것을 의미합니다. 널리 사용되는 COCO 데이터 세트 평가와 오래된 PASCAL VOC 챌린지와 같은 많은 객체 감지 벤치마크는 탐지가 올바른 것으로 간주되는지 여부를 결정하기 위해 IoU 임계값에 크게 의존합니다. COCO 및 PASCAL VOC와 같은 다양한 벤치마크 데이터 세트는 문서에서 살펴볼 수 있습니다.

IoU 계산

계산은 예측된 경계 상자와 실측 경계 상자가 겹치는 면적(교집합)을 두 상자를 합친 총 면적(합집합)으로 나누는 방식으로 이루어집니다. 이 비율은 0에서 1 사이의 점수로 표시되며, 1점은 예측된 박스가 실측 자료와 정확히 겹친다는 의미의 완벽한 일치를 나타냅니다. 0점은 전혀 겹치지 않음을 나타냅니다. 많은 객체 감지 평가 프로토콜의 일반적인 관행은 IoU 점수가 특정 임계값(보통 0.5)을 충족하거나 초과하는 경우 예측이 올바른 것으로 간주하는 것입니다. 그러나 COCO 평가에 사용되는 mAP@.5:.95 같은 지표에서 볼 수 있듯이 애플리케이션의 정밀도 요구 사항에 따라 더 엄격한 임계값(예: 0.75 또는 0.9)이 사용될 수 있습니다. 이 임계값은 정확도 및 리콜과 같은 메트릭에 직접적인 영향을 미칩니다.

IoU의 실제 적용 사례

IoU의 로컬라이제이션 정밀도 측정 능력은 다양한 영역에서 필수적인 요소입니다:

• 자율주행 차량: 자율주행차용 AI에서는 보행자, 자전거 운전자, 기타 차량을 정확하게 감지하는 것이 안전을 위해 가장 중요합니다. 다음과 같은 물체 감지 모델은 YOLO11 과 같은 물체 감지 모델은 이러한 물체 주변의 경계 상자를 예측합니다. 예측된 박스와 실제 물체 위치 사이의 IoU가 높으면 차량 시스템이 주변 환경을 정확하게 파악할 수 있어 내비게이션 및 충돌 회피에 매우 중요합니다. 자율 주행 차량 안전 표준은 암묵적으로 높은 측위 정확도에 의존하는 경우가 많습니다.
• 의료 이미지 분석: 의료 분야, 특히 의료 이미지 분석에 AI를 사용할 때 IoU는 CT나 MRI와 같은 스캔에서 종양이나 이상 징후를 감지하도록 설계된 모델을 평가하는 데 도움을 줍니다. 예를 들어, 종양을 분할하는 모델(이미지 세그멘테이션)은 종양의 윤곽을 정확하게 그려야 합니다. IoU는 모델의 예측된 종양 영역과 방사선 전문의가 표시한 영역(실측 자료)의 중첩을 측정하여 모델의 결과가 임상적으로 관련이 있는지 확인합니다. 다양한 의료 영상 AI 연구에서 강조된 바와 같이, 정확한 진단과 치료 계획을 위해서는 높은 IoU가 필수적입니다. 데이터 세트 리소스에서 뇌종양 감지 데이터 세트와 같은 관련 데이터 세트를 찾을 수 있습니다.

IoU 대. 기타 평가 지표

IoU는 특히 실측 데이터에 대한 단일 예측의 로컬라이제이션 품질을 측정하지만, 완전한 성능 파악을 위해 다른 지표와 함께 사용되는 경우가 많습니다.

• 평균 평균 정밀도(mAP): 객체 감지에서 널리 사용되는 집계 지표입니다. 다양한 IoU 임계값(예: 0.5 ~ 0.95)에 걸쳐, 그리고 종종 여러 객체 클래스에 걸쳐 평균 정밀도를 계산합니다. 개별 예측을 평가하는 IoU와 달리, mAP는 다양한 작동 지점에서 분류 및 로컬라이제이션 정확도 측면에서 모델의 전반적인 성능을 요약하는 단일 수치를 제공합니다. 이러한 메트릭에 대한 자세한 내용은 YOLO 성능 메트릭 가이드에서 확인할 수 있습니다.
• 정확도 및 리콜: IoU 자체는 분류 정확도를 직접적으로 측정하지 않고 위치추적 중첩만을 측정합니다. 정확도는 양성 예측의 정확도(감지된 상자 중 실제로 개체가 포함된 개수의 수)를 측정하고, 재인식은 모든 관련 인스턴스를 찾는 모델의 능력(실제 개체가 감지된 개수의 수)을 측정합니다. 정밀도 및 회수율 계산 시 IoU 임계값이 사용되어 감지가 실제 양성인지 여부를 결정합니다. 정확도와 회수율 사이의 관계를 이해하는 것은 mAP 및 F1 점수와 같은 메트릭을 해석하는 데 있어 핵심입니다.

IoU로 모델 성능 향상

IoU는 단순한 평가 지표가 아니라 학습 프로세스 자체에 필수적인 요소이기도 합니다. 다음과 같은 변형을 포함한 많은 최신 오브젝트 탐지 아키텍처는Ultralytics YOLOv8 및 YOLOv10의 변형을 포함한 많은 최신 오브젝트 감지 아키텍처는 손실 함수 내에서 IoU 또는 그 변형(예: 일반화된 IoU(GIoU), 거리 IoU(DIoU) 또는 완전 IoU(CIoU))을 직접 사용합니다. 이러한 고급 IoU 기반 손실은 모델이 잘 겹칠 뿐만 아니라 중심 간 거리, 화면비 일관성 등의 요소를 고려하는 바운딩 박스를 예측하는 방법을 학습하도록 도와주므로 기존 회귀 손실에 비해 더 빠른 수렴과 더 나은 로컬라이제이션 성능을 이끌어냅니다. 다양한 YOLO 모델 간의 자세한 비교는 유니티 설명서에서 확인할 수 있습니다.

모델 학습 및 하이퍼파라미터 튜닝 중에 IoU를 모니터링하면 개발자가 더 나은 로컬라이제이션을 위해 모델을 개선하는 데 도움이 됩니다. Ultralytics HUB와 같은 도구를 사용하면 IoU 및 기타 메트릭을 추적하여 모델 개선 주기를 간소화할 수 있습니다. 광범위한 유용성에도 불구하고, 표준 IoU는 특히 겹치지 않는 박스나 규모가 매우 다른 박스의 경우 민감하지 않을 수 있습니다. 이 점이 앞서 언급한 IoU 변형을 개발하게 된 동기가 되었습니다. 그럼에도 불구하고 IoU는 컴퓨터 비전 평가의 초석이자 딥 러닝(DL)의 핵심 개념으로 남아 있습니다.