Intersecção sobre a União (IoU)

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 (ver Classificação da imagem), 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 altas de IoU indicam que as previsões do modelo se alinham de perto com os limites reais do objeto. Muitos benchmarks de deteção de objectos, como a popular avaliação do conjunto de dados COCO e o antigo desafio PASCAL VOC, baseiam-se fortemente nos limiares IoU para determinar se uma deteção é considerada correta. Podes explorar vários conjuntos de dados de referência como o COCO e o PASCAL VOC na nossa documentação.

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. No entanto, podem ser utilizados limiares mais rigorosos (por exemplo, 0,75 ou mesmo 0,9), dependendo da necessidade de precisão da aplicação, como se vê em métricas como mAP@.5:.95 utilizadas nas avaliações COCO. Este limiar tem um impacto direto em métricas como a precisão e a recuperação.

Aplicações da IoU no mundo real

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

• Veículos autónomos: Na IA para carros autónomos, a deteção precisa de peões, ciclistas e outros veículos é fundamental para a segurança. Um modelo de deteção de objectos como o YOLO11 prevê caixas delimitadoras em torno desses objectos. Um IoU elevado entre a caixa prevista e a localização real do objeto garante que o sistema do automóvel tem uma compreensão precisa do que o rodeia, crucial para a navegação e para evitar colisões. As normas de segurança dos veículos autónomos dependem muitas vezes implicitamente de uma elevada precisão de localização.
• Análise de imagens médicas: Ao utilizar a IA nos cuidados de saúde, em particular na análise de imagens médicas, a IoU ajuda a avaliar modelos concebidos para detetar tumores ou anomalias em exames (como TAC ou MRI). Por exemplo, um modelo que segmenta um tumor(Segmentação de imagem) precisa de o delinear com precisão. O IoU mede a sobreposição entre a região do tumor prevista pelo modelo e a região marcada por um radiologista (verdade terrestre), garantindo que as descobertas do modelo sejam clinicamente relevantes. Uma IoU elevada é vital para um diagnóstico e um planeamento de tratamento precisos, conforme salientado em vários estudos de IA de imagiologia médica. Podes encontrar conjuntos de dados relevantes, como o Conjunto de Dados de Deteção de Tumores Cerebrais, nos nossos recursos de conjuntos de dados.

IoU Vs. Outras métricas de avaliação

Embora o IoU meça especificamente a qualidade da localização de uma única previsão em relação a uma verdade terrestre, é frequentemente utilizado juntamente com outras métricas para obter uma imagem completa do desempenho.

• Precisão média média (mAP): Esta é uma métrica agregada amplamente utilizada na deteção de objectos. Calcula a precisão média em vários limiares de IoU (por exemplo, de 0,5 a 0,95) e frequentemente em várias classes de objectos. Ao contrário do IoU, que avalia previsões individuais, o mAP fornece um único número que resume o desempenho geral do modelo em termos de precisão de classificação e localização em diferentes pontos de operação. Podes saber mais sobre estas métricas no nosso guiaYOLO Performance Metrics.
• Precisão e Recuperação: O IoU em si não mede diretamente a correção da classificação, apenas a sobreposição da localização. A precisão mede a exatidão das previsões positivas (quantas caixas detectadas contêm realmente um objeto), enquanto a recuperação mede a capacidade do modelo para encontrar todas as instâncias relevantes (quantos objectos reais foram detectados). Os limites de IoU são utilizados no cálculo da precisão e da recolha para determinar se uma deteção é um verdadeiro positivo. Compreender a relação entre a precisão e a recuperação é fundamental para interpretar métricas como o mAP e a pontuação F1.

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. Muitas arquitecturas modernas de deteção de objectos, incluindo variantes de Ultralytics YOLOv8 e YOLOv10, usam o IoU ou suas variações (como o IoU generalizado (GIoU), o IoU de distância (DIoU) ou o IoU completo (CIoU)) diretamente em suas funções de perda. Essas perdas avançadas baseadas em IoU ajudam o modelo a aprender a prever caixas delimitadoras que não apenas se sobrepõem bem, mas também consideram fatores como distância entre centros e consistência de proporção de aspeto, levando a uma convergência mais rápida e melhor desempenho de localização em comparação com as perdas de regressão tradicionais. Podes encontrar comparações detalhadas entre diferentes modelos YOLO na nossa documentação.

A monitorização do IoU durante o treino do modelo e a afinação dos hiperparâmetros ajuda os programadores a aperfeiçoar os modelos para uma melhor localização. Ferramentas como o Ultralytics HUB permitem monitorizar a IoU e outras métricas, simplificando o ciclo de aperfeiçoamento do modelo. Apesar da sua utilidade generalizada, o IoU padrão pode por vezes ser insensível, especialmente para caixas não sobrepostas ou caixas de escalas muito diferentes. Isto motivou o desenvolvimento das variantes de IoU acima mencionadas. No entanto, a IoU continua a ser uma pedra angular da avaliação da visão computacional e um conceito-chave na aprendizagem profunda (DL).