Lære Intersection Over Union (IoU) og Evalueringsmetrikker

Anvendt Computer Vision

Stryg for at vise menuen

Definition

Intersection over Union (IoU) er en målemetode, der vurderer nøjagtigheden af forudsagte afgrænsningsbokse ved at beregne forholdet mellem det overlappende område mellem den forudsagte og den faktiske boks og arealet af deres forening.

Beregningsmetode

Matematisk udtrykkes IoU som:

Hvor:

Area of Overlap er skæringsområdet mellem de forudsagte og faktiske afgrænsningsbokse;
Area of Union er det samlede område dækket af begge bokse.


              12345678910111213141516171819202122232425262728
            
import numpy as np

def compute_iou(boxA, boxB):
    # Extract coordinates
    xA = max(boxA[0], boxB[0])
    yA = max(boxA[1], boxB[1])
    xB = min(boxA[2], boxB[2])
    yB = min(boxA[3], boxB[3])
    
    # Compute intersection area
    interArea = max(0, xB - xA) * max(0, yB - yA)
    
    # Compute areas of both boxes
    boxAArea = (boxA[2] - boxA[0]) * (boxA[3] - boxA[1])
    boxBArea = (boxB[2] - boxB[0]) * (boxB[3] - boxB[1])
    
    # Compute union area
    unionArea = boxAArea + boxBArea - interArea
    
    # Compute IoU
    iou = interArea / unionArea
    return iou

# Example usage
box1 = [50, 50, 150, 150]  # [x1, y1, x2, y2]
box2 = [100, 100, 200, 200]
iou_score = compute_iou(box1, box2)
print("IoU Score:", iou_score)

IoU som en metrisk for nøjagtighed af afgrænsningsboks

IoU anvendes ofte til at vurdere, hvor godt en forudsagt afgrænsningsboks stemmer overens med sandhedsværdien. Højere IoU-værdier indikerer bedre overensstemmelse, hvor en IoU på 1.0 betyder perfekt overlap, og 0.0 betyder ingen overlapning.

Tærskelværdi for IoU ved Sande Positive og Falske Positive

For at afgøre, om en detektion er korrekt (sand positiv) eller ukorrekt (falsk positiv), sættes der typisk en tærskelværdi for IoU. Almindeligt anvendte tærskler inkluderer:

IoU > 0,5: betragtes som en Sand Positiv (TP);
IoU < 0,5: betragtes som en Falsk Positiv (FP).

Højere IoU-tærskler øger præcisionen, men kan reducere recall, da færre detektioner opfylder kriterierne.

Evalueringsmetrikker: Præcision, Recall og mAP

Ud over IoU hjælper andre evalueringsmetrikker med at vurdere objektdetektionsmodeller:

Præcision: måler andelen af korrekt forudsagte bounding boxes blandt alle forudsigelser;

\text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}}

Recall: måler andelen af korrekt forudsagte bounding boxes blandt alle ground truth-objekter;

\text{Recall}=\frac{\text{TP}}{\text{TP}+\text{FN}}

Mean Average Precision (mAP): beregner den gennemsnitlige præcision på tværs af forskellige IoU-tærskler og objektkategorier, hvilket giver en omfattende evaluering af modellens ydeevne.


              123456789
            
def precision_recall(tp, fp, fn):
    precision = tp / (tp + fp) if (tp + fp) > 0 else 0
    recall = tp / (tp + fn) if (tp + fn) > 0 else 0
    return precision, recall

# Example usage
tp, fp, fn = 50, 10, 20
precision, recall = precision_recall(tp, fp, fn)
print(f"Precision: {precision:.2f}, Recall: {recall:.2f}")

IoU fungerer som en grundlæggende målemetode til evaluering af objektdetektionsmodeller og hjælper med at vurdere nøjagtigheden af de forudsagte afgrænsningsbokse. Ved at kombinere IoU med præcision, recall og mAP kan forskere og ingeniører finjustere deres modeller for at opnå højere detektionsnøjagtighed og pålidelighed.

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 22

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Sektion 1. Kapitel 22

Intersection Over Union (IoU) og Evalueringsmetrikker

Beregningsmetode

IoU som en metrisk for nøjagtighed af afgrænsningsboks

Tærskelværdi for IoU ved Sande Positive og Falske Positive

Evalueringsmetrikker: Præcision, Recall og mAP

1. Hvad måler Intersection over Union (IoU) i objektdetektion?

2. Hvilket af følgende betragtes som et falsk negativ i objektdetektion?

3. Hvordan beregnes præcision i objektdetektion?