Oppiskele Leikkaus Unionin Yli (IoU) ja Arviointimittarit

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 (ground truth) laatikkoa. Korkeammat IoU-arvot osoittavat parempaa osumaa; IoU-arvo 1.0 tarkoittaa täydellistä päällekkäisyyttä ja 0.0 ei päällekkäisyyttä lainkaan.

IoU-kynnyksen asettaminen oikeille ja väärille positiivisille

Määritettäessä, onko havainto oikea (true positive) vai väärä (false positive), asetetaan yleensä IoU-kynnysarvo. Yleisesti käytettyjä kynnysarvoja ovat:

IoU > 0.5: katsotaan True Positive (TP);
IoU < 0.5: katsotaan False Positive (FP).

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

Arviointimittarit: Precision, Recall ja mAP

IoU:n lisäksi muita arviointimittareita käytetään objektiendistysmallien arviointiin:

Precision: mittaa oikein ennustettujen rajaavien laatikoiden osuuden kaikista ennusteista;

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

Recall: mittaa oikein ennustettujen rajaavien laatikoiden osuuden kaikista todellisista objekteista;

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

Mean Average Precision (mAP): laskee keskimääräisen precision-arvon 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 objektiendetektiomallien arvioinnissa, auttaen ennustettujen rajauslaatikoiden tarkkuuden arvioinnissa. 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 4. Luku 4

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Awesome!

Completion rate improved to 3.45

Pyyhkäise näyttääksesi valikon

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-kynnyksen asettaminen oikeille ja väärille positiivisille

Määritettäessä, onko havainto oikea (true positive) vai väärä (false positive), asetetaan yleensä IoU-kynnysarvo. Yleisesti käytettyjä kynnysarvoja ovat:

IoU > 0.5: katsotaan True Positive (TP);
IoU < 0.5: katsotaan False Positive (FP).

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

Arviointimittarit: Precision, Recall ja mAP

IoU:n lisäksi muita arviointimittareita käytetään objektiendistysmallien arviointiin:

Precision: mittaa oikein ennustettujen rajaavien laatikoiden osuuden kaikista ennusteista;

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

Recall: mittaa oikein ennustettujen rajaavien laatikoiden osuuden kaikista todellisista objekteista;

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

Mean Average Precision (mAP): laskee keskimääräisen precision-arvon 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}")

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 4. Luku 4

Leikkaus Unionin Yli (IoU) ja Arviointimittarit

Kuinka se lasketaan

IoU mittarina rajaavan laatikon tarkkuudelle

IoU-kynnyksen asettaminen oikeille ja väärille positiivisille

Arviointimittarit: Precision, Recall ja mAP

1. Mitä Intersection over Union (IoU) mittaa objektien tunnistuksessa?

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

3. Miten tarkkuus (Precision) lasketaan objektin tunnistuksessa?

Awesome!

Leikkaus Unionin Yli (IoU) ja Arviointimittarit

Kuinka se lasketaan

IoU mittarina rajaavan laatikon tarkkuudelle

IoU-kynnyksen asettaminen oikeille ja väärille positiivisille

Arviointimittarit: Precision, Recall ja mAP

1. Mitä Intersection over Union (IoU) mittaa objektien tunnistuksessa?

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

3. Miten tarkkuus (Precision) lasketaan objektin tunnistuksessa?