Oppiskele Leikkaus Unionin Yli (IoU) ja Arviointimittarit

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:

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 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;

\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-kynnysten ja objektikategorioiden yli, 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 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

Määritelmä

Miten 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 rajaavan laatikon tarkkuuden mittarina

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;

\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-kynnysten ja objektikategorioiden yli, 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

Miten se lasketaan

IoU rajaavan laatikon tarkkuuden mittarina

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?

Awesome!

Leikkaus Unionin Yli (IoU) ja Arviointimittarit

Miten se lasketaan

IoU rajaavan laatikon tarkkuuden mittarina

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?