Cursusinhoud

Essentiële Computervisie

1. Introductie tot Computer Vision

Wat is computer vision?Grondbeginselen van Beeldverwerking Lineaire Algebra voor Beeldmanipulatie

2. Beeldverwerking met OpenCV

Basistransformaties Fouriertransformatie Laagdoorlaat- en Hoogdoorlaatfilters Ruisonderdrukking en Vervaging Histogramegalisatie Superresolutietechnieken Randdetectie Hoek- en Blobdetectie

3. Convolutionele Neurale Netwerken

Introductie tot Convolutionele Neurale Netwerken Convolutielagen Pooling-Lagen Afvlakken Activatiefuncties Overzicht van Populaire CNN-Modellen Uitdaging: Het Bouwen van een CNN

4. Objectdetectie

Objectlokalisatie Objectdetectie Voorspellingen van Begrenzingsvakken Overlapping over Union (IoU) en Evaluatiemaatstaven Non-max Suppressie (NMS)Ankerboxen Overzicht van het YOLO-Model Uitdaging: Objectdetectie met Aangepast Model en YOLO

5. Overzicht van Geavanceerde Onderwerpen

Transferleren in Computervisie Overzicht van Gezichtsherkenning Overzicht van Beeldgeneratie

Overlapping over Union (IoU) en Evaluatiemaatstaven

Hoe het wordt berekend

Wiskundig wordt IoU gegeven door:

Waarbij:

Gebied van Overlap 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 overeenstemming, waarbij een IoU van 1.0 een perfecte overlap betekent en 0.0 geen enkele overlap.

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 begrenzingsvakken onder alle voorspellingen;

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

Recall: meet het aandeel correct voorspelde begrenzingsvakken onder alle grondwaarheidsobjecten;

\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 is een fundamentele maatstaf voor 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.

Cursusinhoud

Essentiële Computervisie

1. Introductie tot Computer Vision

Wat is computer vision?Grondbeginselen van Beeldverwerking Lineaire Algebra voor Beeldmanipulatie

2. Beeldverwerking met OpenCV

Basistransformaties Fouriertransformatie Laagdoorlaat- en Hoogdoorlaatfilters Ruisonderdrukking en Vervaging Histogramegalisatie Superresolutietechnieken Randdetectie Hoek- en Blobdetectie

3. Convolutionele Neurale Netwerken

Introductie tot Convolutionele Neurale Netwerken Convolutielagen Pooling-Lagen Afvlakken Activatiefuncties Overzicht van Populaire CNN-Modellen Uitdaging: Het Bouwen van een CNN

4. Objectdetectie

5. Overzicht van Geavanceerde Onderwerpen

Transferleren in Computervisie Overzicht van Gezichtsherkenning Overzicht van Beeldgeneratie

Overlapping over Union (IoU) en Evaluatiemaatstaven

Hoe het wordt berekend

Wiskundig wordt IoU gegeven door:

Waarbij:

Gebied van Overlap 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 begrenzingsvakken onder alle voorspellingen;

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

Recall: meet het aandeel correct voorspelde begrenzingsvakken onder alle grondwaarheidsobjecten;

\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

Essentiële Computervisie

Overlapping 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?

Essentiële Computervisie

Overlapping 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?