Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Lære Intersection Over Union (IoU) og Evalueringsmetrikker | Objektdetektion
Computer Vision Grundlæggende

bookIntersection Over Union (IoU) og Evalueringsmetrikker

Hvordan det beregnes

Matematisk er IoU givet ved:

Hvor:

  • Area of Overlap er skæringsarealet mellem den forudsagte og den faktiske afgrænsningsboks;
  • Area of Union er det samlede areal 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)
copy

IoU som en metrisk for nøjagtighed af afgrænsningsbokse

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 overhovedet.

Tærskelværdi for IoU ved sande og falske positiver

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 afgrænsningsbokse blandt alle forudsigelser;
Precision=TPTP+FP\text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}}
  • Recall: måler andelen af korrekt forudsagte afgrænsningsbokse blandt alle sandhedsværdier;
Recall=TPTP+FN\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}")
copy

IoU fungerer som en grundlæggende målemetode til evaluering af objektgenkendelsesmodeller 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.

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

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

3. Hvordan beregnes præcision i objektgenkendelse?

question mark

Hvad måler Intersection over Union (IoU) i objektgenkendelse?

Select the correct answer

question mark

Hvilket af følgende betragtes som et falsk negativ i objektgenkendelse?

Select the correct answer

question mark

Hvordan beregnes præcision i objektgenkendelse?

Select the correct answer

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 4. Kapitel 4

Spørg AI

expand

Spørg AI

ChatGPT

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

Awesome!

Completion rate improved to 3.45

bookIntersection Over Union (IoU) og Evalueringsmetrikker

Stryg for at vise menuen

Hvordan det beregnes

Matematisk er IoU givet ved:

Hvor:

  • Area of Overlap er skæringsarealet mellem den forudsagte og den faktiske afgrænsningsboks;
  • Area of Union er det samlede areal 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)
copy

IoU som en metrisk for nøjagtighed af afgrænsningsbokse

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 overhovedet.

Tærskelværdi for IoU ved sande og falske positiver

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 afgrænsningsbokse blandt alle forudsigelser;
Precision=TPTP+FP\text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}}
  • Recall: måler andelen af korrekt forudsagte afgrænsningsbokse blandt alle sandhedsværdier;
Recall=TPTP+FN\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}")
copy

IoU fungerer som en grundlæggende målemetode til evaluering af objektgenkendelsesmodeller 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.

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

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

3. Hvordan beregnes præcision i objektgenkendelse?

question mark

Hvad måler Intersection over Union (IoU) i objektgenkendelse?

Select the correct answer

question mark

Hvilket af følgende betragtes som et falsk negativ i objektgenkendelse?

Select the correct answer

question mark

Hvordan beregnes præcision i objektgenkendelse?

Select the correct answer

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 4. Kapitel 4
some-alt