Contenuti del Corso

Fondamenti di Computer Vision

1. Introduzione alla Computer Vision

Che cos'è la computer vision?Fondamenti dell'Elaborazione delle Immagini Algebra Lineare per la Manipolazione delle Immagini

2. Elaborazione delle Immagini con OpenCV

Trasformazioni di Base Trasformata di Fourier Filtri Passa Basso e Passa Alto Riduzione del Rumore e Levigatura Equalizzazione dell'Istogramma Tecniche di Super-Risoluzione Rilevamento dei Bordi Rilevamento di Angoli e Blob

3. Reti Neurali Convoluzionali

Introduzione alle Reti Neurali Convoluzionali Strati di Convoluzione Strati di Pooling Appiattimento Funzioni di Attivazione Panoramica Dei Modelli Cnn Più Diffusi Sfida: Costruzione di una CNN

4. Rilevamento Oggetti

Localizzazione degli Oggetti Rilevamento Oggetti Previsioni del Riquadro di Delimitazione Intersezione su Unione (IoU) e Metriche di Valutazione Soppressione Non Massima (NMS)Anchor Box Panoramica del Modello YOLO Sfida: Rilevamento Oggetti con Modello Personalizzato e YOLO

5. Panoramica degli Argomenti Avanzati

Apprendimento Trasferito nella Visione Artificiale Panoramica sul Riconoscimento Facciale Panoramica della Generazione di Immagini

Intersezione su Unione (IoU) e Metriche di Valutazione

Come viene calcolato

Matematicamente, l'IoU è definito da:

Dove:

Area di Sovrapposizione è l'intersezione tra il riquadro predetto e quello reale;
Area di Unione è l'area totale coperta da entrambi i riquadri.


              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 come metrica per l'accuratezza dei bounding box

L'IoU è comunemente utilizzato per valutare quanto bene un bounding box predetto si allinea con il ground truth. Valori di IoU più alti indicano un migliore allineamento, con un IoU di 1.0 che significa sovrapposizione perfetta e 0.0 che indica nessuna sovrapposizione.

Soglia di IoU per veri positivi e falsi positivi

Per determinare se una rilevazione è corretta (vero positivo) o errata (falso positivo), viene solitamente impostata una soglia per l'IoU. Le soglie comunemente utilizzate includono:

IoU > 0.5: considerato un Vero Positivo (TP);
IoU < 0.5: considerato un Falso Positivo (FP).

Impostare soglie di IoU più alte aumenta la precisione ma può ridurre il recall poiché meno rilevazioni soddisfano i criteri.

Metriche di valutazione: Precision, Recall e mAP

Oltre all'IoU, altre metriche di valutazione aiutano a valutare i modelli di object detection:

Precision: misura la proporzione di bounding box predetti correttamente tra tutte le predizioni;

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

Recall: misura la proporzione di bounding box predetti correttamente tra tutti gli oggetti ground truth;

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

Mean Average Precision (mAP): calcola la precisione media su diverse soglie di IoU e categorie di oggetti, fornendo una valutazione completa delle prestazioni del modello.


              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 è una metrica fondamentale per la valutazione dei modelli di rilevamento oggetti, utile per misurare l'accuratezza delle bounding box previste. Combinando IoU con precision, recall e mAP, ricercatori e ingegneri possono ottimizzare i loro modelli per ottenere una maggiore accuratezza e affidabilità nel rilevamento.

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 4. Capitolo 4

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Contenuti del Corso

Fondamenti di Computer Vision

1. Introduzione alla Computer Vision

Che cos'è la computer vision?Fondamenti dell'Elaborazione delle Immagini Algebra Lineare per la Manipolazione delle Immagini

2. Elaborazione delle Immagini con OpenCV

3. Reti Neurali Convoluzionali

Introduzione alle Reti Neurali Convoluzionali Strati di Convoluzione Strati di Pooling Appiattimento Funzioni di Attivazione Panoramica Dei Modelli Cnn Più Diffusi Sfida: Costruzione di una CNN

4. Rilevamento Oggetti

5. Panoramica degli Argomenti Avanzati

Apprendimento Trasferito nella Visione Artificiale Panoramica sul Riconoscimento Facciale Panoramica della Generazione di Immagini

Intersezione su Unione (IoU) e Metriche di Valutazione

Come viene calcolato

Matematicamente, l'IoU è definito da:

Dove:

Area di Sovrapposizione è l'intersezione tra il riquadro predetto e quello reale;
Area di Unione è l'area totale coperta da entrambi i riquadri.


              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 come metrica per l'accuratezza dei bounding box

Soglia di IoU per veri positivi e falsi positivi

Per determinare se una rilevazione è corretta (vero positivo) o errata (falso positivo), viene solitamente impostata una soglia per l'IoU. Le soglie comunemente utilizzate includono:

IoU > 0.5: considerato un Vero Positivo (TP);
IoU < 0.5: considerato un Falso Positivo (FP).

Impostare soglie di IoU più alte aumenta la precisione ma può ridurre il recall poiché meno rilevazioni soddisfano i criteri.

Metriche di valutazione: Precision, Recall e mAP

Oltre all'IoU, altre metriche di valutazione aiutano a valutare i modelli di object detection:

Precision: misura la proporzione di bounding box predetti correttamente tra tutte le predizioni;

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

Recall: misura la proporzione di bounding box predetti correttamente tra tutti gli oggetti ground truth;

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

Mean Average Precision (mAP): calcola la precisione media su diverse soglie di IoU e categorie di oggetti, fornendo una valutazione completa delle prestazioni del modello.


              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}")

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 4. Capitolo 4

Fondamenti di Computer Vision

Intersezione su Unione (IoU) e Metriche di Valutazione

Come viene calcolato

IoU come metrica per l'accuratezza dei bounding box

Soglia di IoU per veri positivi e falsi positivi

Metriche di valutazione: Precision, Recall e mAP

1. Cosa misura l'Intersection over Union (IoU) nel rilevamento oggetti?

2. Quale delle seguenti opzioni è considerata un falso negativo nel rilevamento degli oggetti?

3. Come viene calcolata la Precision nel rilevamento degli oggetti?

Fondamenti di Computer Vision

Intersezione su Unione (IoU) e Metriche di Valutazione

Come viene calcolato

IoU come metrica per l'accuratezza dei bounding box

Soglia di IoU per veri positivi e falsi positivi

Metriche di valutazione: Precision, Recall e mAP

1. Cosa misura l'Intersection over Union (IoU) nel rilevamento oggetti?

2. Quale delle seguenti opzioni è considerata un falso negativo nel rilevamento degli oggetti?

3. Come viene calcolata la Precision nel rilevamento degli oggetti?