Пересечение через Союз (IoU)

Как работает IoU

По своей сути IoU вычисляет отношение пересечения (площади перекрытия) к объединению (общей площади, покрытой обоими боксами) предсказанного и истинного ограничительных боксов. Представьте себе два перекрывающихся квадрата. Пересечение" - это общая область, в которой они пересекаются. Объединение" - это общая площадь, которую покрывают оба квадрата, причем перекрывающаяся часть учитывается только один раз. Деля пересечение на объединение, IoU обеспечивает стандартизированную меру того, насколько хорошо предсказанная коробка совпадает с реальным объектом. Эта простая, но мощная концепция является краеугольным камнем современного глубокого обучения (ГСО) для обнаружения объектов.

Ключевым моментом использования IoU является установка "порога IoU". Этот порог представляет собой заранее определенное значение (например, 0,5), которое определяет, является ли предсказание правильным. Если показатель IoU для предсказанного ящика выше этого порога, он классифицируется как "истинно положительный". Если показатель ниже, то это "ложное срабатывание". Этот порог напрямую влияет на другие показатели эффективности, такие как Precision и Recall, и является важным компонентом для расчета средней точности (mAP), стандартной метрики для оценки моделей обнаружения объектов на эталонных наборах данных, таких как COCO.

Применение в реальном мире

IoU необходим для проверки работоспособности бесчисленных систем искусственного интеллекта. Вот несколько примеров:

1. Автономное вождение: В ИИ для самоуправляемых автомобилей IoU используется для оценки того, насколько хорошо система технического зрения автомобиля обнаруживает пешеходов, другие транспортные средства и дорожные знаки. Высокий показатель IoU гарантирует точность прогнозируемых границ, что очень важно для безопасной навигации и предотвращения столкновений. Такие компании, как Waymo, в значительной степени полагаются на точное обнаружение объектов для обеспечения безопасности своих автономных систем.
2. Медицинская визуализация: В анализе медицинских изображений IoU помогает оценить точность моделей, определяющих аномалии, такие как опухоли или поражения, на таких снимках, как МРТ или КТ. Точная локализация жизненно важна для планирования лечения, и IoU обеспечивает надежную оценку того, является ли предсказание модели полезным с клинической точки зрения. Это очень важно для таких приложений, как обнаружение опухолей с помощью моделей YOLO.

Повышение производительности моделей с помощью IoU

IoU - это не просто метрика оценки; она также является неотъемлемой частью самого процесса обучения. Многие современные архитектуры обнаружения объектов, включая варианты Ultralytics YOLOv8 и YOLO11, используют IoU или его вариации непосредственно в своих функциях потерь. Эти усовершенствованные потери на основе IoU, такие как обобщенный IoU (GIoU), Distance-IoU (DIoU) или Complete-IoU (CIoU), помогают модели научиться предсказывать ограничивающие рамки, которые не только хорошо перекрываются, но и учитывают такие факторы, как расстояние между центрами и соответствие соотношению сторон. Это приводит к более быстрой сходимости и лучшей производительности локализации по сравнению с традиционными регрессионными потерями. Подробные сравнения различных моделей YOLO можно найти в нашей документации.

Мониторинг IoU во время обучения модели 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 широкое распространение, стандартный IoU иногда может быть нечувствительным, особенно для непересекающихся ящиков. Это ограничение послужило причиной разработки вышеупомянутых вариантов IoU. Тем не менее, IoU остается краеугольным камнем оценки компьютерного зрения.

IoU по сравнению с другими показателями

Хотя IoU очень важен, важно понимать его взаимосвязь с другими показателями:

• IoU по сравнению с точностью: Точность - распространенная метрика в задачах классификации, измеряющая процент правильных предсказаний. Однако она не подходит для обнаружения объектов, поскольку не учитывает ошибку локализации. Предсказание может правильно классифицировать объект, но при этом плохо разместить его ограничительную рамку. IoU специально решает эту проблему, измеряя качество локализации.
• IoU по сравнению со средней точностью (mAP): Эти термины связаны, но различаются. IoU измеряет качество одного предсказанного ограничительного поля. Напротив, mAP - это комплексная метрика, которая оценивает производительность модели по всем объектам и классам в наборе данных. Она рассчитывается путем усреднения значений точности по нескольким пороговым значениям IoU и всем классам. По сути, IoU - это строительный блок для вычисления mAP. Подробное объяснение этой взаимосвязи можно найти в нашем руководстве по метрикам производительности YOLO.
• IoU по сравнению с F1-Score: F1-score - это среднее гармоническое из precision и recall, которое часто используется в классификации. Хотя точность и отзыв используются при расчете mAP, сам F1-score не измеряет напрямую качество локализации, как это делает IoU. Он больше сосредоточен на балансе между нахождением всех положительных примеров и корректностью этих результатов.