Giao lộ qua Union ( IoU )

Giao điểm trên hợp nhất ( IoU ( Chỉ số Jaccard) là một thước đo cơ bản được sử dụng trong thị giác máy tính để định lượng độ chính xác của bộ phát hiện đối tượng bằng cách đo độ chồng lấp giữa hai đường biên. Thường được gọi một cách kỹ thuật là Chỉ số Jaccard . IoU Chỉ số này đánh giá mức độ phù hợp giữa hộp giới hạn dự đoán và hộp giới hạn thực tế—vị trí thực của đối tượng được người dùng dán nhãn. Điểm số nằm trong khoảng từ 0 đến 1, trong đó 0 biểu thị không có sự chồng chéo và 1 biểu thị sự trùng khớp hoàn hảo từng pixel. Chỉ số này rất cần thiết để đánh giá độ chính xác không gian của các mô hình như YOLO26 , vượt ra ngoài việc phân loại đơn giản để đảm bảo hệ thống biết chính xác vị trí của một đối tượng.

Cơ chế đo lường sự chồng chéo

Khái niệm đằng sau IoU Rất dễ hiểu: nó tính toán tỷ lệ diện tích nơi hai hình hộp giao nhau so với tổng diện tích được bao phủ bởi cả hai hình hộp cộng lại (phần hợp). Bởi vì phép tính này chuẩn hóa phần chồng chéo bằng tổng kích thước của các đối tượng, IoU Nó đóng vai trò là một thước đo bất biến theo tỷ lệ. Điều này có nghĩa là nó cung cấp một đánh giá công bằng về hiệu suất bất kể mô hình thị giác máy tính đang phát hiện một con tàu chở hàng khổng lồ hay một con côn trùng nhỏ bé.

Trong các quy trình phát hiện đối tượng tiêu chuẩn, IoU Đây là bộ lọc chính để xác định xem một dự đoán là "Đúng dương tính" hay "Sai dương tính". Trong quá trình đánh giá, các kỹ sư đặt ra một ngưỡng cụ thể—thường là 0,50 hoặc 0,75. Nếu điểm trùng lặp vượt quá con số này, phát hiện được tính là chính xác. Quá trình đặt ngưỡng này là điều kiện tiên quyết để tính toán các chỉ số hiệu suất tổng hợp như Độ chính xác trung bình ( mAP ) , tóm tắt độ chính xác của mô hình trên các lớp và mức độ khó khác nhau.

Các Ứng dụng Thực tế

Độ chính xác không gian cao là rất quan trọng trong các ngành công nghiệp mà sự ước lượng không rõ ràng có thể dẫn đến hỏng hóc hoặc nguy hiểm về an toàn. IoU Đảm bảo rằng các hệ thống AI nhận thức thế giới vật lý một cách chính xác.

• Lái xe tự hành: Trong lĩnh vực trí tuệ nhân tạo ứng dụng trong ô tô , xe tự lái cần phải làm được nhiều hơn là chỉ đơn thuần... detect Việc có người đi bộ ở đó; họ phải biết chính xác vị trí của người đi bộ so với làn đường. Cao IoU Điểm số trong quá trình thử nghiệm xác nhận rằng hệ thống nhận thức của xe tự hành có thể phân định chính xác các chướng ngại vật, cho phép lập kế hoạch quỹ đạo an toàn và tránh va chạm.
• Y học chính xác: Ứng dụng trí tuệ nhân tạo trong chăm sóc sức khỏe . IoU Điều này rất quan trọng đối với các nhiệm vụ như phân đoạn khối u trong ảnh chụp MRI. Các bác sĩ X quang dựa vào phân tích hình ảnh y tế để đo lường sự phát triển hoặc co lại của các bất thường. Một mô hình có độ chính xác cao IoU Điều này đảm bảo ranh giới dự đoán bám sát rìa khối u thực tế, điều này rất quan trọng để xác định liều lượng trong xạ trị và bảo vệ mô khỏe mạnh.

Tính toán IoU với Python

Mặc dù ý tưởng mang tính hình học, nhưng cách thực hiện lại dựa trên toán học. ultralytics Gói phần mềm này cung cấp các tiện ích được tối ưu hóa để tính toán. IoU một cách hiệu quả, điều này hữu ích cho việc xác minh hành vi của mô hình hoặc lọc các dự đoán.

import torch
from ultralytics.utils.metrics import box_iou

# Define ground truth and prediction boxes: [x1, y1, x2, y2]
ground_truth = torch.tensor([[100, 100, 200, 200]])
predicted = torch.tensor([[110, 110, 210, 210]])

# Calculate the Intersection over Union score
iou_score = box_iou(ground_truth, predicted)

print(f"IoU Score: {iou_score.item():.4f}")
# Output: IoU Score: 0.6806

IoU trong huấn luyện và tối ưu hóa mô hình

Ngoài chức năng như một bảng điểm, IoU là một thành phần tích cực trong quá trình huấn luyện mạng học sâu.

• Sự phát triển của hàm mất mát: Các thước đo khoảng cách truyền thống như sai số bình phương trung bình (MSE) thường không thể nắm bắt được các đặc tính hình học của các hộp giới hạn. Các bộ dò hiện đại sử dụng IoU các hàm mất mát dựa trên , chẳng hạn như Tổng quát IoU ( GIoU ) và Hoàn thành IoU ( CIoU Các chức năng nâng cao này hướng dẫn mạng nơ-ron hội tụ nhanh hơn bằng cách xem xét tỷ lệ khung hình và khoảng cách điểm trung tâm.
• Loại bỏ trùng lặp: Trong quá trình suy luận, mô hình có thể xác định cùng một đối tượng nhiều lần với các hộp giới hạn hơi khác nhau. Một kỹ thuật gọi là Loại bỏ cực đại không đồng nhất (Non-Maximum Suppression - NMS ) sử dụng IoU Để xác định các bản sao chồng chéo này. Nó giữ lại hộp có điểm tin cậy cao nhất và loại bỏ các hộp xung quanh có điểm tin cậy thấp. IoU Với người chiến thắng, đảm bảo kết quả cuối cùng rõ ràng.

Phân biệt IoU từ các chỉ số liên quan

Để đánh giá hiệu quả các mô hình học máy , điều quan trọng là phải phân biệt IoU so với các thước đo độ tương đồng khác.

• IoU so với Độ chính xác: Trong khi Độ chính xác đo lường tần suất mô hình dự đoán đúng lớp (ví dụ: "Chó" so với "Mèo"), nó lại bỏ qua vị trí. Một mô hình có thể có độ chính xác phân loại 100% nhưng 0% IoU nếu nó vẽ hộp ở góc sai của hình ảnh. IoU Đặc biệt chú trọng đến chất lượng bản địa hóa.
• IoU so với Hệ số Dice: Cả hai chỉ số đều đo lường sự tương đồng giữa các tập hợp, nhưng Hệ số Dice (điểm F1 của sự chồng lấp pixel) coi trọng phần giao nhau hơn. Dice thường được sử dụng làm tiêu chuẩn cho các tác vụ phân đoạn ngữ nghĩa liên quan đến các hình dạng bất thường, trong khi đó IoU Đây là tiêu chuẩn để phát hiện khung hình chữ nhật.

Để đạt được thành tích cao IoU Để đạt điểm cao và xây dựng mô hình hiệu quả, cần có dữ liệu huấn luyện chính xác. Các công cụ như Nền tảng Ultralytics hỗ trợ việc tạo ra các chú thích dữ liệu chất lượng cao, cho phép các nhóm hình dung các hộp dữ liệu thực tế và đảm bảo chúng khớp chặt chẽ với các đối tượng trước khi bắt đầu huấn luyện.