Leer Intersection Over Union (IoU) en Evaluatiemaatstaven

Definitie

Intersection over Union (IoU) is een maatstaf die de nauwkeurigheid van voorspelde begrenzingskaders meet door de verhouding te berekenen van het overlappende gebied tussen het voorspelde en het werkelijke kader tot het gebied van hun vereniging.

Hoe het wordt berekend

Wiskundig wordt IoU gegeven door:

Waarbij:

Gebied van Overlapping de doorsnede is van de voorspelde en werkelijke begrenzingsvakken;
Gebied van Unie het totale gebied is dat door beide vakken wordt bedekt.


              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 als Maatstaf voor Nauwkeurigheid van Begrenzingsvakken

IoU wordt vaak gebruikt om te beoordelen hoe goed een voorspeld begrenzingsvak overeenkomt met de grondwaarheid. Hogere IoU-waarden duiden op een betere overeenkomst, waarbij een IoU van 1.0 een perfecte overlapping betekent en 0.0 geen enkele overlapping.

Drempelwaarde voor IoU bij True Positives en False Positives

Om te bepalen of een detectie correct (true positive) of incorrect (false positive) is, wordt doorgaans een drempelwaarde voor IoU ingesteld. Veelgebruikte drempelwaarden zijn:

IoU > 0,5: beschouwd als een True Positive (TP);
IoU < 0,5: beschouwd als een False Positive (FP).

Het instellen van hogere IoU-drempels verhoogt de precisie, maar kan de recall verlagen omdat minder detecties aan de criteria voldoen.

Evaluatiemaatstaven: Precisie, Recall en mAP

Naast IoU helpen andere evaluatiemaatstaven bij het beoordelen van objectdetectiemodellen:

Precisie: meet het aandeel correct voorspelde bounding boxes ten opzichte van alle voorspellingen;

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

Recall: meet het aandeel correct voorspelde bounding boxes ten opzichte van alle ground truth-objecten;

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

Mean Average Precision (mAP): berekent de gemiddelde precisie over verschillende IoU-drempels en objectcategorieën, wat een uitgebreide evaluatie van de modelprestaties biedt.


              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 fungeert als een fundamentele maatstaf bij het evalueren van objectdetectiemodellen en helpt bij het beoordelen van de nauwkeurigheid van voorspelde begrenzingskaders. Door IoU te combineren met precisie, recall en mAP kunnen onderzoekers en ingenieurs hun modellen verfijnen om een hogere detectienauwkeurigheid en betrouwbaarheid te bereiken.

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 4. Hoofdstuk 4

Vraag AI

Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.

Awesome!

Completion rate improved to 3.45

Veeg om het menu te tonen

Definitie

Hoe het wordt berekend

Wiskundig wordt IoU gegeven door:

Waarbij:

Gebied van Overlapping de doorsnede is van de voorspelde en werkelijke begrenzingsvakken;
Gebied van Unie het totale gebied is dat door beide vakken wordt bedekt.


              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 als Maatstaf voor Nauwkeurigheid van Begrenzingsvakken

Drempelwaarde voor IoU bij True Positives en False Positives

Om te bepalen of een detectie correct (true positive) of incorrect (false positive) is, wordt doorgaans een drempelwaarde voor IoU ingesteld. Veelgebruikte drempelwaarden zijn:

IoU > 0,5: beschouwd als een True Positive (TP);
IoU < 0,5: beschouwd als een False Positive (FP).

Het instellen van hogere IoU-drempels verhoogt de precisie, maar kan de recall verlagen omdat minder detecties aan de criteria voldoen.

Evaluatiemaatstaven: Precisie, Recall en mAP

Naast IoU helpen andere evaluatiemaatstaven bij het beoordelen van objectdetectiemodellen:

Precisie: meet het aandeel correct voorspelde bounding boxes ten opzichte van alle voorspellingen;

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

Recall: meet het aandeel correct voorspelde bounding boxes ten opzichte van alle ground truth-objecten;

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

Mean Average Precision (mAP): berekent de gemiddelde precisie over verschillende IoU-drempels en objectcategorieën, wat een uitgebreide evaluatie van de modelprestaties biedt.


              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}")

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 4. Hoofdstuk 4

Intersection Over Union (IoU) en Evaluatiemaatstaven

Hoe het wordt berekend

IoU als Maatstaf voor Nauwkeurigheid van Begrenzingsvakken

Drempelwaarde voor IoU bij True Positives en False Positives

Evaluatiemaatstaven: Precisie, Recall en mAP

1. Wat meet Intersection over Union (IoU) bij objectdetectie?

2. Welke van de volgende wordt beschouwd als een false negative bij objectdetectie?

3. Hoe wordt precisie berekend bij objectdetectie?

Awesome!

Intersection Over Union (IoU) en Evaluatiemaatstaven

Hoe het wordt berekend

IoU als Maatstaf voor Nauwkeurigheid van Begrenzingsvakken

Drempelwaarde voor IoU bij True Positives en False Positives

Evaluatiemaatstaven: Precisie, Recall en mAP

1. Wat meet Intersection over Union (IoU) bij objectdetectie?

2. Welke van de volgende wordt beschouwd als een false negative bij objectdetectie?

3. Hoe wordt precisie berekend bij objectdetectie?