Глоссарий

Пересечение через Союз (IoU)

Узнай, что такое Intersection over Union (IoU), как он рассчитывается и какую важную роль играет в обнаружении объектов и оценке моделей ИИ.

Обучай модели YOLO просто
с помощью Ultralytics HUB.

Узнай больше

Intersection over Union (IoU) - это фундаментальная метрика, широко используемая в компьютерном зрении, особенно в таких задачах, как обнаружение объектов и сегментация изображений. Она определяет, насколько точно предсказанная граница (например, ограничительная рамка при обнаружении объектов) совпадает с реальной, истинной границей объекта. По сути, IoU измеряет степень перекрытия между предсказанной и истинной областью, предоставляя простой, но эффективный балл для оценки производительности локализации. Понимание IoU необходимо для оценки и сравнения эффективности моделей компьютерного зрения.

Важность IoU в оценке моделей

IoU служит критическим показателем эффективности при оценке того, насколько хорошо работают модели, такие как Ultralytics YOLOопределяют местоположение объектов на изображении. В то время как классификация говорит нам о том , какой объект присутствует, IoU показывает , насколько точно модель определила его местоположение. Такая пространственная точность жизненно важна во многих сценариях реального мира, где точная локализация так же важна, как и правильная классификация. Высокие показатели IoU говорят о том, что предсказания модели точно совпадают с реальными границами объекта. Многие бенчмарки по обнаружению объектов, например оценка набора данных COCO и старая задача PASCAL VOC, в значительной степени полагаются на пороговые значения IoU.

Вычисление IoU

Расчет заключается в том, чтобы разделить площадь, на которой пересекаются предсказанная граница и истинная граница (пересечение), на общую площадь, покрываемую обеими границами вместе взятыми (объединение). Это соотношение дает оценку от 0 до 1. Оценка 1 означает идеальное совпадение, то есть предсказанный бокс точно перекрывает истинный. Оценка 0 означает отсутствие какого-либо перекрытия. Во многих протоколах оценки обнаружения объектов принято считать предсказание верным, если показатель IoU соответствует или превышает определенный порог, чаще всего 0,5, хотя в зависимости от потребностей приложения могут использоваться и более строгие пороги.

Применение IoU в реальном мире

Способность IoU измерять точность локализации делает его незаменимым в различных сферах:

  1. Автономные транспортные средства: При использовании искусственного интеллекта в самоуправляемых автомобилях точное определение местоположения пешеходов, велосипедистов и других транспортных средств имеет решающее значение для безопасности. Высокий IoU гарантирует, что система точно понимает пространственную схему своего окружения, что крайне важно для навигации и предотвращения столкновений, способствуя общей безопасности автономного автомобиля.
  2. Медицинская визуализация: Для таких задач, как обнаружение опухолей на сканах, найденных при анализе медицинских изображений, IoU помогает оценить, насколько хорошо модель ИИ очерчивает границы аномалий. Точная локализация, на которую указывает высокий показатель IoU, имеет решающее значение для точной диагностики и планирования лечения в ИИ в здравоохранении, что подчеркивается в многочисленных исследованиях ИИ в области медицинской визуализации.

IoU против других показателей оценки. Другие метрики оценки

Хотя IoU измеряет именно качество локализации, его часто используют вместе с другими метриками для получения полной картины производительности. Средняя точность (mAP) - это широко используемая метрика, которая учитывает как точность (точность положительных предсказаний), так и отзыв (способность найти все релевантные экземпляры) при различных пороговых значениях IoU. В отличие от IoU, которая оценивает отдельные предсказания, mAP дает совокупный балл по разным классам и пороговым значениям, предлагая более широкую оценку качества модели. Подробнее об этих метриках ты можешь узнать в нашем руководстве по метрикам производительностиYOLO . Понимание взаимосвязи между precision и recall является ключом к интерпретации mAP.

Повышение производительности модели с помощью IoU

IoU - это не просто метрика оценки, она также является неотъемлемой частью самого процесса обучения. Например, расчеты IoU часто используются в функциях потерь (таких как потери GIoU, DIoU, CIoU), чтобы напрямую оптимизировать способность модели предсказывать точные граничные поля. Мониторинг IoU во время обучения и настройки гиперпараметров помогает разработчикам совершенствовать модели для лучшей локализации. Такие инструменты, как Ultralytics HUB, позволяют отслеживать IoU и другие метрики, оптимизируя цикл улучшения модели. Несмотря на свою полезность, IoU может быть чувствителен к масштабу объекта и небольшим ошибкам позиционирования, но он остается краеугольным камнем оценки компьютерного зрения.

Читать полностью