Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Leer Intersection Over Union (IoU) en Evaluatiemaatstaven | Objectdetectie
Essentiële Computer Vision

bookIntersection Over Union (IoU) en Evaluatiemaatstaven

Note
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:

IoU

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)
copy

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;
Precision=TPTP+FP\text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}}
  • Recall: meet het aandeel correct voorspelde bounding boxes ten opzichte van alle ground truth-objecten;
Recall=TPTP+FN\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.
metrics
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 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.

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?

question mark

Wat meet Intersection over Union (IoU) bij objectdetectie?

Select the correct answer

question mark

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

Select the correct answer

question mark

Hoe wordt precisie berekend bij objectdetectie?

Select the correct answer

Was alles duidelijk?

Hoe kunnen we het verbeteren?

Bedankt voor je feedback!

Sectie 4. Hoofdstuk 4

Vraag AI

expand

Vraag AI

ChatGPT

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

Awesome!

Completion rate improved to 3.45

bookIntersection Over Union (IoU) en Evaluatiemaatstaven

Veeg om het menu te tonen

Note
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:

IoU

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)
copy

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;
Precision=TPTP+FP\text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}}
  • Recall: meet het aandeel correct voorspelde bounding boxes ten opzichte van alle ground truth-objecten;
Recall=TPTP+FN\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.
metrics
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 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.

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?

question mark

Wat meet Intersection over Union (IoU) bij objectdetectie?

Select the correct answer

question mark

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

Select the correct answer

question mark

Hoe wordt precisie berekend bij objectdetectie?

Select the correct answer

Was alles duidelijk?

Hoe kunnen we het verbeteren?

Bedankt voor je feedback!

Sectie 4. Hoofdstuk 4
some-alt