Oppiskele Intersection over Union (IoU) ja Arviointimittarit

Soveltava tietokonenäkö

Pyyhkäise näyttääksesi valikon

Määritelmä

Intersection over Union (IoU) on mittari, joka arvioi ennustettujen rajauslaatikoiden tarkkuutta laskemalla ennustetun ja todellisen laatikon päällekkäisen alueen suhteen niiden yhdistettyyn pinta-alaan.

Kuinka se lasketaan

Matemaattisesti IoU määritellään seuraavasti:

Missä:

Päällekkäisyyden pinta-ala on ennustetun ja todellisen rajaavan laatikon leikkaus;
Yhdisteen pinta-ala on molempien laatikoiden kattama kokonaispinta-ala.


              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 mittarina rajaavan laatikon tarkkuudelle

IoU:ta käytetään yleisesti arvioimaan, kuinka hyvin ennustettu rajaava laatikko vastaa todellista arvoa. Korkeammat IoU-arvot osoittavat parempaa osumaa; arvo 1.0 tarkoittaa täydellistä päällekkäisyyttä ja 0.0 tarkoittaa, ettei päällekkäisyyttä ole lainkaan.

IoU-kynnyksen asettaminen oikeille ja väärille positiivisille

Jotta voidaan määrittää, onko havainto oikea (true positive) vai väärä (false positive), asetetaan tyypillisesti IoU-kynnys. Yleisesti käytettyjä kynnysarvoja ovat:

IoU > 0.5: luokitellaan oikeaksi positiiviseksi (TP);
IoU < 0.5: luokitellaan vääräksi positiiviseksi (FP).

Korkeamman IoU-kynnyksen asettaminen lisää tarkkuutta, mutta voi vähentää recall-arvoa, koska harvemmat havainnot täyttävät kriteerit.

Arviointimittarit: tarkkuus, recall ja mAP

IoU:n lisäksi muut arviointimittarit auttavat arvioimaan objektintunnistusmallien suorituskykyä:

Tarkkuus (Precision): mittaa oikein ennustettujen rajauslaatikoiden osuuden kaikista ennusteista;

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

Recall: mittaa oikein ennustettujen rajauslaatikoiden osuuden kaikista todellisista objekteista;

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

Mean Average Precision (mAP): laskee keskimääräisen tarkkuuden eri IoU-kynnyksillä ja objektikategorioissa, tarjoten kattavan arvion mallin suorituskyvystä.


              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 toimii perustavanlaatuisena mittarina objektintunnistusmallien arvioinnissa, auttaen arvioimaan ennustettujen rajauslaatikoiden tarkkuutta. Yhdistämällä IoU:n tarkkuuteen, recall-arvoon ja mAP:iin, tutkijat ja insinöörit voivat hienosäätää mallejaan saavuttaakseen paremman tunnistustarkkuuden ja luotettavuuden.

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 22

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Osio 1. Luku 22

Intersection over Union (IoU) ja Arviointimittarit

Kuinka se lasketaan

IoU mittarina rajaavan laatikon tarkkuudelle

IoU-kynnyksen asettaminen oikeille ja väärille positiivisille

Arviointimittarit: tarkkuus, recall ja mAP

1. Mitä Intersection over Union (IoU) mittaa objektintunnistuksessa?

2. Mikä seuraavista katsotaan vääräksi negatiiviseksi (false negative) objektin tunnistuksessa?

3. Miten tarkkuus (Precision) lasketaan objektin tunnistuksessa?