Intersection Over Union (IoU) en Evaluatiemaatstaven
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.
12345678910111213141516171819202122232425262728import 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;
- Recall: meet het aandeel correct voorspelde bounding boxes ten opzichte van alle ground truth-objecten;
- Mean Average Precision (mAP): berekent de gemiddelde precisie over verschillende IoU-drempels en objectcategorieën, wat een uitgebreide evaluatie van de modelprestaties biedt.

123456789def 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.
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?
Bedankt voor je feedback!
Vraag AI
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
Intersection Over Union (IoU) en Evaluatiemaatstaven
Veeg om het menu te tonen
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.
12345678910111213141516171819202122232425262728import 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;
- Recall: meet het aandeel correct voorspelde bounding boxes ten opzichte van alle ground truth-objecten;
- Mean Average Precision (mAP): berekent de gemiddelde precisie over verschillende IoU-drempels en objectcategorieën, wat een uitgebreide evaluatie van de modelprestaties biedt.

123456789def 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.
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?
Bedankt voor je feedback!