Glossário

Intersecção sobre a União (IoU)

Sabe o que é a Intersecção sobre a União (IoU), como é calculada e o seu papel fundamental na deteção de objectos e na avaliação de modelos de IA.

Treina os modelos YOLO simplesmente
com Ultralytics HUB

Aprende mais

A intersecção sobre a união (IoU) é uma métrica fundamental utilizada extensivamente na visão computacional, particularmente em tarefas como a deteção de objectos e a segmentação de imagens. Quantifica a precisão com que um limite previsto (como uma caixa delimitadora na deteção de objectos) corresponde ao limite real e verdadeiro de um objeto. Essencialmente, o IoU mede o grau de sobreposição entre a área prevista e a área real, fornecendo uma pontuação simples e eficaz para o desempenho da localização. Compreender o IoU é essencial para avaliar e comparar a eficácia dos modelos de visão computacional.

Importância da IoU na avaliação de modelos

O IoU serve como um indicador de desempenho crítico para avaliar a eficácia dos modelos, como o Ultralytics YOLOlocalizam objectos dentro de uma imagem. Enquanto a classificação nos diz que objeto está presente, o IoU diz-nos quão bem o modelo identificou a sua localização. Esta precisão espacial é vital em muitos cenários do mundo real, onde a localização precisa é tão importante como a classificação correta. Pontuações elevadas de IoU indicam que as previsões do modelo estão muito próximas dos limites reais do objeto. Muitos benchmarks de deteção de objectos, como a avaliação do conjunto de dados COCO e o antigo desafio PASCAL VOC, dependem muito dos limiares IoU.

Cálculo de IoU

O cálculo envolve a divisão da área onde a caixa delimitadora prevista e a caixa delimitadora da verdade terrestre se sobrepõem (a intersecção) pela área total coberta por ambas as caixas combinadas (a união). Esta relação resulta numa pontuação entre 0 e 1. Uma pontuação de 1 significa uma correspondência perfeita, ou seja, a caixa prevista sobrepõe-se exatamente à verdade terrestre. Uma pontuação de 0 indica que não há qualquer sobreposição. Uma prática comum em muitos protocolos de avaliação de deteção de objectos é considerar uma previsão correta se a pontuação IoU atingir ou exceder um determinado limiar, frequentemente 0,5, embora possam ser utilizados limiares mais rigorosos, dependendo das necessidades da aplicação.

Aplicações da IoU no mundo real

A capacidade da IoU para medir a precisão da localização torna-a indispensável em vários domínios:

  1. Veículos autónomos: Na IA em carros autónomos, detetar com precisão a localização de peões, ciclistas e outros veículos é crucial para a segurança. Um IoU elevado garante que o sistema compreende com precisão a disposição espacial do seu ambiente, o que é vital para a navegação e a prevenção de colisões, contribuindo para a segurança global do veículo autónomo.
  2. Imagens médicas: Para tarefas como a deteção de tumores em exames encontrados na análise de imagens médicas, a IoU ajuda a avaliar o quão bem um modelo de IA delineia os limites das anomalias. A localização precisa, indicada por um IoU elevado, é fundamental para um diagnóstico e um planeamento de tratamento precisos em IA nos cuidados de saúde, tal como salientado em vários estudos de IA de imagens médicas.

IoU Vs. Outras métricas de avaliação

Embora o IoU meça especificamente a qualidade da localização, é frequentemente utilizado juntamente com outras métricas para obter uma imagem completa do desempenho. A precisão média média (mAP) é uma métrica amplamente utilizada que considera a precisão (a exatidão das previsões positivas) e a recuperação (a capacidade de encontrar todas as instâncias relevantes) em vários limites de IoU. Ao contrário do IoU, que avalia previsões individuais, o mAP fornece uma pontuação agregada em diferentes classes e limites, oferecendo uma avaliação mais ampla da qualidade do modelo. Podes saber mais sobre estas métricas no nosso guia de métricas de desempenhoYOLO . Compreender a relação entre precisão e recuperação é fundamental para interpretar o mAP.

Melhorar o desempenho do modelo com IoU

O IoU não é apenas uma métrica de avaliação; é também parte integrante do próprio processo de formação. Por exemplo, os cálculos do IoU são frequentemente utilizados em funções de perda (como perdas GIoU, DIoU, CIoU) para otimizar diretamente a capacidade do modelo para prever caixas delimitadoras precisas. A monitorização do IoU durante o treino e a afinação dos hiperparâmetros ajuda os programadores a aperfeiçoar os modelos para uma melhor localização. Ferramentas como o Ultralytics HUB permitem monitorizar o IoU e outras métricas, simplificando o ciclo de melhoria do modelo. Apesar da sua utilidade, o IoU pode ser sensível à escala do objeto e a pequenos erros de posicionamento, mas continua a ser uma pedra angular da avaliação da visão por computador.

Lê tudo