Contenu du cours

Principes Fondamentaux de la Vision par Ordinateur

1. Introduction à la Vision par Ordinateur

Qu'est-ce que la Vision par Ordinateur ?Fondamentaux du Traitement d'Image Algèbre Linéaire pour la Manipulation d'Images

2. Traitement d'Images avec OpenCV

Transformations de Base Transformée de Fourier Filtres Passe-Bas et Passe-Haut Réduction du Bruit et Lissage Égalisation d'Histogramme Techniques de super-résolution Détection de Contours Détection de Coins et de Blobs

3. Réseaux de Neurones Convolutifs

Introduction aux Réseaux Neuronaux Convolutifs Couches de Convolution Couches de Pooling Aplatissement Fonctions d'Activation Aperçu des Modèles CNN Populaires Défi : Création d'un CNN

4. Détection d'Objets

Localisation d'Objet Détection d'Objets Prédictions de Boîtes Englobantes Intersection sur Union (IoU) et Métriques d'Évaluation Suppression Non Maximale (NMS)Boîtes d'Ancrage Aperçu du Modèle YOLO Défi : Détection d'Objets avec un Modèle Personnalisé et YOLO

5. Aperçu des Sujets Avancés

Apprentissage par Transfert en Vision par Ordinateur Aperçu de la Reconnaissance Faciale Aperçu de la Génération d'Images

Intersection sur Union (IoU) et Métriques d'Évaluation

Comment c'est calculé

Mathématiquement, l'IoU est défini par :

Où :

Aire de chevauchement correspond à l'intersection des boîtes englobantes prédite et réelle ;
Aire d'union correspond à la surface totale couverte par les deux boîtes.


              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 comme métrique pour la précision des boîtes englobantes

L'IoU est couramment utilisé pour évaluer dans quelle mesure une boîte englobante prédite s'aligne avec la vérité terrain. Des valeurs d'IoU plus élevées indiquent un meilleur alignement, un IoU de 1.0 signifiant un chevauchement parfait et 0.0 signifiant aucune superposition.

Seuils d'IoU pour vrais positifs et faux positifs

Pour déterminer si une détection est correcte (vrai positif) ou incorrecte (faux positif), un seuil d'IoU est généralement défini. Les seuils couramment utilisés incluent :

IoU > 0.5 : considéré comme un vrai positif (TP) ;
IoU < 0.5 : considéré comme un faux positif (FP).

L'utilisation de seuils d'IoU plus élevés augmente la précision mais peut diminuer le rappel, car moins de détections répondent aux critères.

Métriques d'évaluation : Précision, Rappel et mAP

En plus de l'IoU, d'autres métriques d'évaluation permettent d'évaluer les modèles de détection d'objets :

Précision : mesure la proportion de boîtes englobantes correctement prédites parmi toutes les prédictions ;

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

Rappel : mesure la proportion de boîtes englobantes correctement prédites parmi tous les objets de la vérité terrain ;

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

Mean Average Precision (mAP) : calcule la précision moyenne sur différents seuils d'IoU et catégories d'objets, fournissant une évaluation globale des performances du modèle.


              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}")

L'IoU constitue une métrique fondamentale pour l'évaluation des modèles de détection d'objets, permettant d'analyser la précision des boîtes englobantes prédites. En combinant l'IoU avec la précision, le rappel et le mAP, les chercheurs et ingénieurs peuvent ajuster leurs modèles afin d'obtenir une meilleure exactitude et fiabilité de détection.

Tout était clair ?

Merci pour vos commentaires !

Section 4. Chapitre 4

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Contenu du cours

Principes Fondamentaux de la Vision par Ordinateur

1. Introduction à la Vision par Ordinateur

Qu'est-ce que la Vision par Ordinateur ?Fondamentaux du Traitement d'Image Algèbre Linéaire pour la Manipulation d'Images

2. Traitement d'Images avec OpenCV

3. Réseaux de Neurones Convolutifs

Introduction aux Réseaux Neuronaux Convolutifs Couches de Convolution Couches de Pooling Aplatissement Fonctions d'Activation Aperçu des Modèles CNN Populaires Défi : Création d'un CNN

4. Détection d'Objets

5. Aperçu des Sujets Avancés

Apprentissage par Transfert en Vision par Ordinateur Aperçu de la Reconnaissance Faciale Aperçu de la Génération d'Images

Intersection sur Union (IoU) et Métriques d'Évaluation

Comment c'est calculé

Mathématiquement, l'IoU est défini par :

Où :

Aire de chevauchement correspond à l'intersection des boîtes englobantes prédite et réelle ;
Aire d'union correspond à la surface totale couverte par les deux boîtes.


              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 comme métrique pour la précision des boîtes englobantes

Seuils d'IoU pour vrais positifs et faux positifs

Pour déterminer si une détection est correcte (vrai positif) ou incorrecte (faux positif), un seuil d'IoU est généralement défini. Les seuils couramment utilisés incluent :

IoU > 0.5 : considéré comme un vrai positif (TP) ;
IoU < 0.5 : considéré comme un faux positif (FP).

L'utilisation de seuils d'IoU plus élevés augmente la précision mais peut diminuer le rappel, car moins de détections répondent aux critères.

Métriques d'évaluation : Précision, Rappel et mAP

En plus de l'IoU, d'autres métriques d'évaluation permettent d'évaluer les modèles de détection d'objets :

Précision : mesure la proportion de boîtes englobantes correctement prédites parmi toutes les prédictions ;

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

Rappel : mesure la proportion de boîtes englobantes correctement prédites parmi tous les objets de la vérité terrain ;

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

Mean Average Precision (mAP) : calcule la précision moyenne sur différents seuils d'IoU et catégories d'objets, fournissant une évaluation globale des performances du modèle.


              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}")

Tout était clair ?

Merci pour vos commentaires !

Section 4. Chapitre 4

Principes Fondamentaux de la Vision par Ordinateur

Intersection sur Union (IoU) et Métriques d'Évaluation

Comment c'est calculé

IoU comme métrique pour la précision des boîtes englobantes

Seuils d'IoU pour vrais positifs et faux positifs

Métriques d'évaluation : Précision, Rappel et mAP

1. Que mesure l'Intersection over Union (IoU) en détection d'objets ?

2. Lequel des éléments suivants est considéré comme un faux négatif en détection d'objets ?

3. Comment la précision est-elle calculée en détection d'objets ?

Principes Fondamentaux de la Vision par Ordinateur

Intersection sur Union (IoU) et Métriques d'Évaluation

Comment c'est calculé

IoU comme métrique pour la précision des boîtes englobantes

Seuils d'IoU pour vrais positifs et faux positifs

Métriques d'évaluation : Précision, Rappel et mAP

1. Que mesure l'Intersection over Union (IoU) en détection d'objets ?

2. Lequel des éléments suivants est considéré comme un faux négatif en détection d'objets ?

3. Comment la précision est-elle calculée en détection d'objets ?