Kursusindhold

Computer Vision Grundlæggende

1. Introduktion til Computer Vision

Hvad er Computer Vision?Grundlæggende Billedbehandling Lineær Algebra til Billedmanipulation

2. Billedbehandling med OpenCV

Grundlæggende Transformationer Fourier-transformering Lavpas- og Højpasfiltre Støjreduktion og Udglatning Histogramudjævning Superopløsningsmetoder Kantdetektion Hjørne- og Blobdetektion

3. Konvolutionelle Neurale Netværk

Introduktion til Konvolutionelle Neurale Netværk Konvolutionslag Pooling-lag Udfladning Aktiveringsfunktioner Oversigt over Populære CNN-Modeller Udfordring: Opbygning af et CNN

4. Objektdetektion

Objektlokalisering Objektgenkendelse Forudsigelser af Afgrænsningsbokse Intersection Over Union (IoU) og Evalueringsmetrikker Ikke-maks-undertrykkelse (NMS)Ankerbokse Oversigt Over YOLO-Modellen Udfordring: Objektdetektion med Brugerdefineret Model og YOLO

5. Oversigt Over Avancerede Emner

Transfer Learning i Computer Vision Oversigt over Ansigtsgenkendelse Oversigt over Billedgenerering

Intersection 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)

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;

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

Recall: måler andelen af korrekt forudsagte afgrænsningsbokse blandt alle sandhedsværdier;

\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 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.

Var alt klart?

Tak for dine kommentarer!

Sektion 4. Kapitel 4

Spørg AI

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

Kursusindhold

Computer Vision Grundlæggende

1. Introduktion til Computer Vision

Hvad er Computer Vision?Grundlæggende Billedbehandling Lineær Algebra til Billedmanipulation

2. Billedbehandling med OpenCV

Grundlæggende Transformationer Fourier-transformering Lavpas- og Højpasfiltre Støjreduktion og Udglatning Histogramudjævning Superopløsningsmetoder Kantdetektion Hjørne- og Blobdetektion

3. Konvolutionelle Neurale Netværk

Introduktion til Konvolutionelle Neurale Netværk Konvolutionslag Pooling-lag Udfladning Aktiveringsfunktioner Oversigt over Populære CNN-Modeller Udfordring: Opbygning af et CNN

4. Objektdetektion

5. Oversigt Over Avancerede Emner

Transfer Learning i Computer Vision Oversigt over Ansigtsgenkendelse Oversigt over Billedgenerering

Intersection 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)

IoU som en metrisk for nøjagtighed af afgrænsningsbokse

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;

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

Recall: måler andelen af korrekt forudsagte afgrænsningsbokse blandt alle sandhedsværdier;

\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}")

Var alt klart?

Tak for dine kommentarer!

Sektion 4. Kapitel 4

Computer Vision Grundlæggende

Intersection Over Union (IoU) og Evalueringsmetrikker

Hvordan det beregnes

IoU som en metrisk for nøjagtighed af afgrænsningsbokse

Tærskelværdi for IoU ved sande og falske positiver

Evalueringsmetrikker: Præcision, Recall og mAP

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?

Computer Vision Grundlæggende

Intersection Over Union (IoU) og Evalueringsmetrikker

Hvordan det beregnes

IoU som en metrisk for nøjagtighed af afgrænsningsbokse

Tærskelværdi for IoU ved sande og falske positiver

Evalueringsmetrikker: Præcision, Recall og mAP

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?