Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Aprende Intersección Sobre Unión (IoU) y Métricas de Evaluación | Detección de Objetos
Fundamentos de Visión por Computadora

bookIntersección Sobre Unión (IoU) y Métricas de Evaluación

Note
Definición

Intersección sobre Unión (IoU) es una métrica que mide la precisión de las cajas delimitadoras predichas calculando la proporción entre el área de superposición de las cajas predicha y real respecto al área de su unión.

Cómo se calcula

Matemáticamente, IoU se expresa como:

IoU

Donde:

  • Área de superposición es la intersección entre las cajas delimitadoras predicha y real;
  • Área de unión es el área total cubierta por ambas cajas.
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 como métrica para la precisión de la caja delimitadora

IoU se utiliza comúnmente para evaluar qué tan bien una caja delimitadora predicha se alinea con la verdad de terreno. Valores más altos de IoU indican una mejor alineación, donde un IoU de 1.0 significa superposición perfecta y 0.0 significa que no hay superposición.

Umbralización de IoU para Verdaderos Positivos y Falsos Positivos

Para determinar si una detección es correcta (verdadero positivo) o incorrecta (falso positivo), normalmente se establece un umbral para IoU. Los umbrales comúnmente utilizados incluyen:

  • IoU > 0.5: considerado un Verdadero Positivo (TP);
  • IoU < 0.5: considerado un Falso Positivo (FP).

Establecer umbrales de IoU más altos incrementa la precisión pero puede disminuir la exhaustividad, ya que menos detecciones cumplen con el criterio.

Métricas de Evaluación: Precisión, Exhaustividad y mAP

Además de IoU, otras métricas de evaluación ayudan a valorar los modelos de detección de objetos:

  • Precisión: mide la proporción de cajas delimitadoras correctamente predichas entre todas las predicciones;
Precisioˊn=TPTP+FP\text{Precisión}=\frac{\text{TP}}{\text{TP}+\text{FP}}
  • Exhaustividad: mide la proporción de cajas delimitadoras correctamente predichas entre todos los objetos reales;
Exhaustividad=TPTP+FN\text{Exhaustividad}=\frac{\text{TP}}{\text{TP}+\text{FN}}
  • Precisión Media Promedio (mAP): calcula la precisión promedio a través de diferentes umbrales de IoU y categorías de objetos, proporcionando una evaluación integral del rendimiento del modelo.
métricas
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 es una métrica fundamental para evaluar modelos de detección de objetos, ayudando a medir la precisión de las cajas delimitadoras predichas. Al combinar IoU con precisión, recall y mAP, los investigadores e ingenieros pueden ajustar sus modelos para lograr una mayor exactitud y fiabilidad en la detección.

1. ¿Qué mide la Intersección sobre Unión (IoU) en la detección de objetos?

2. ¿Cuál de las siguientes se considera un falso negativo en la detección de objetos?

3. ¿Cómo se calcula la Precisión en la detección de objetos?

question mark

¿Qué mide la Intersección sobre Unión (IoU) en la detección de objetos?

Select the correct answer

question mark

¿Cuál de las siguientes se considera un falso negativo en la detección de objetos?

Select the correct answer

question mark

¿Cómo se calcula la Precisión en la detección de objetos?

Select the correct answer

¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 4. Capítulo 4

Pregunte a AI

expand

Pregunte a AI

ChatGPT

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

Suggested prompts:

Can you explain how the IoU formula works in more detail?

What are some common applications of IoU in computer vision?

How does changing the IoU threshold affect model evaluation?

Awesome!

Completion rate improved to 3.45

bookIntersección Sobre Unión (IoU) y Métricas de Evaluación

Desliza para mostrar el menú

Note
Definición

Intersección sobre Unión (IoU) es una métrica que mide la precisión de las cajas delimitadoras predichas calculando la proporción entre el área de superposición de las cajas predicha y real respecto al área de su unión.

Cómo se calcula

Matemáticamente, IoU se expresa como:

IoU

Donde:

  • Área de superposición es la intersección entre las cajas delimitadoras predicha y real;
  • Área de unión es el área total cubierta por ambas cajas.
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 como métrica para la precisión de la caja delimitadora

IoU se utiliza comúnmente para evaluar qué tan bien una caja delimitadora predicha se alinea con la verdad de terreno. Valores más altos de IoU indican una mejor alineación, donde un IoU de 1.0 significa superposición perfecta y 0.0 significa que no hay superposición.

Umbralización de IoU para Verdaderos Positivos y Falsos Positivos

Para determinar si una detección es correcta (verdadero positivo) o incorrecta (falso positivo), normalmente se establece un umbral para IoU. Los umbrales comúnmente utilizados incluyen:

  • IoU > 0.5: considerado un Verdadero Positivo (TP);
  • IoU < 0.5: considerado un Falso Positivo (FP).

Establecer umbrales de IoU más altos incrementa la precisión pero puede disminuir la exhaustividad, ya que menos detecciones cumplen con el criterio.

Métricas de Evaluación: Precisión, Exhaustividad y mAP

Además de IoU, otras métricas de evaluación ayudan a valorar los modelos de detección de objetos:

  • Precisión: mide la proporción de cajas delimitadoras correctamente predichas entre todas las predicciones;
Precisioˊn=TPTP+FP\text{Precisión}=\frac{\text{TP}}{\text{TP}+\text{FP}}
  • Exhaustividad: mide la proporción de cajas delimitadoras correctamente predichas entre todos los objetos reales;
Exhaustividad=TPTP+FN\text{Exhaustividad}=\frac{\text{TP}}{\text{TP}+\text{FN}}
  • Precisión Media Promedio (mAP): calcula la precisión promedio a través de diferentes umbrales de IoU y categorías de objetos, proporcionando una evaluación integral del rendimiento del modelo.
métricas
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 es una métrica fundamental para evaluar modelos de detección de objetos, ayudando a medir la precisión de las cajas delimitadoras predichas. Al combinar IoU con precisión, recall y mAP, los investigadores e ingenieros pueden ajustar sus modelos para lograr una mayor exactitud y fiabilidad en la detección.

1. ¿Qué mide la Intersección sobre Unión (IoU) en la detección de objetos?

2. ¿Cuál de las siguientes se considera un falso negativo en la detección de objetos?

3. ¿Cómo se calcula la Precisión en la detección de objetos?

question mark

¿Qué mide la Intersección sobre Unión (IoU) en la detección de objetos?

Select the correct answer

question mark

¿Cuál de las siguientes se considera un falso negativo en la detección de objetos?

Select the correct answer

question mark

¿Cómo se calcula la Precisión en la detección de objetos?

Select the correct answer

¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 4. Capítulo 4
some-alt