Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Oppiskele Leikkaus Unionin Yli (IoU) ja Arviointimittarit | Esineentunnistus
Tietokonenäön Perusteet

bookLeikkaus Unionin Yli (IoU) ja Arviointimittarit

Note
Määritelmä

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

Miten se lasketaan

Matemaattisesti IoU määritellään seuraavasti:

IoU

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)
copy

IoU rajaavan laatikon tarkkuuden mittarina

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

IoU-kynnyksen asettaminen oikeille ja väärille positiivisille

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

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

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

Arviointimittarit: tarkkuus, recall ja mAP

IoU:n lisäksi muut arviointimittarit auttavat arvioimaan objektintunnistusmalleja:

  • Tarkkuus (Precision): mittaa oikein ennustettujen rajauslaatikoiden osuuden kaikista ennusteista;
Precision=TPTP+FP\text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}}
  • Recall: mittaa oikein ennustettujen rajauslaatikoiden osuuden kaikista todellisista objekteista;
Recall=TPTP+FN\text{Recall}=\frac{\text{TP}}{\text{TP}+\text{FN}}
  • Mean Average Precision (mAP): laskee keskimääräisen tarkkuuden eri IoU-kynnysten ja objektikategorioiden yli, tarjoten kattavan arvion mallin suorituskyvystä.
mittarit
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 toimii perustavanlaatuisena mittarina objektintunnistusmallien 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.

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?

question mark

Mitä Intersection over Union (IoU) mittaa objektintunnistuksessa?

Select the correct answer

question mark

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

Select the correct answer

question mark

Miten tarkkuus (Precision) lasketaan objektin tunnistuksessa?

Select the correct answer

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 4. Luku 4

Kysy tekoälyä

expand

Kysy tekoälyä

ChatGPT

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Awesome!

Completion rate improved to 3.45

bookLeikkaus Unionin Yli (IoU) ja Arviointimittarit

Pyyhkäise näyttääksesi valikon

Note
Määritelmä

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

Miten se lasketaan

Matemaattisesti IoU määritellään seuraavasti:

IoU

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)
copy

IoU rajaavan laatikon tarkkuuden mittarina

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

IoU-kynnyksen asettaminen oikeille ja väärille positiivisille

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

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

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

Arviointimittarit: tarkkuus, recall ja mAP

IoU:n lisäksi muut arviointimittarit auttavat arvioimaan objektintunnistusmalleja:

  • Tarkkuus (Precision): mittaa oikein ennustettujen rajauslaatikoiden osuuden kaikista ennusteista;
Precision=TPTP+FP\text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}}
  • Recall: mittaa oikein ennustettujen rajauslaatikoiden osuuden kaikista todellisista objekteista;
Recall=TPTP+FN\text{Recall}=\frac{\text{TP}}{\text{TP}+\text{FN}}
  • Mean Average Precision (mAP): laskee keskimääräisen tarkkuuden eri IoU-kynnysten ja objektikategorioiden yli, tarjoten kattavan arvion mallin suorituskyvystä.
mittarit
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 toimii perustavanlaatuisena mittarina objektintunnistusmallien 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.

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?

question mark

Mitä Intersection over Union (IoU) mittaa objektintunnistuksessa?

Select the correct answer

question mark

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

Select the correct answer

question mark

Miten tarkkuus (Precision) lasketaan objektin tunnistuksessa?

Select the correct answer

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 4. Luku 4
some-alt