Conteúdo do Curso

Fundamentos de Visão Computacional

1. Introdução à Visão Computacional

O Que É Visão Computacional?Fundamentos do Processamento de Imagens Álgebra Linear para Manipulação de Imagens

2. Processamento de Imagens com OpenCV

Transformações Básicas Transformada de Fourier Filtros Passa-Baixa e Passa-Alta Redução de Ruído e Suavização Equalização de Histograma Técnicas de Super-Resolução Detecção de Bordas Detecção de Cantos e Blobs

3. Redes Neurais Convolucionais

Introdução às Redes Neurais Convolucionais Camadas de Convolução Camadas de Pooling Achatamento Funções de Ativação Visão Geral dos Principais Modelos de CNN Desafio: Construindo uma CNN

4. Detecção de Objetos

Localização de Objetos Detecção de Objetos Previsões de Caixas Delimitadoras Interseção Sobre União (IoU) e Métricas de Avaliação Supressão Não Máxima (NMS)Caixas Âncora Visão Geral do Modelo YOLO Desafio: Detecção de Objetos com Modelo Personalizado e YOLO

5. Visão Geral de Tópicos Avançados

Aprendizado por Transferência em Visão Computacional Visão Geral do Reconhecimento Facial Visão Geral da Geração de Imagens

Interseção Sobre União (IoU) e Métricas de Avaliação

Como é Calculado

Matematicamente, o IoU é definido por:

Onde:

Área de Sobreposição é a interseção entre as caixas delimitadoras prevista e real;
Área de União é a área total coberta por ambas as caixas.


              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 como Métrica de Precisão de Caixa Delimitadora

IoU é comumente utilizado para avaliar o quão bem uma caixa delimitadora prevista se alinha com o valor real (ground truth). Valores mais altos de IoU indicam melhor alinhamento, sendo que um IoU de 1.0 significa sobreposição perfeita e 0.0 significa nenhuma sobreposição.

Definição de Limiares de IoU para Verdadeiros Positivos e Falsos Positivos

Para determinar se uma detecção é correta (verdadeiro positivo) ou incorreta (falso positivo), normalmente é definido um limiar para o IoU. Limiares comumente utilizados incluem:

IoU > 0.5: considerado Verdadeiro Positivo (TP);
IoU < 0.5: considerado Falso Positivo (FP).

Definir limiares de IoU mais altos aumenta a precisão, mas pode diminuir a revocação, já que menos detecções atendem aos critérios.

Métricas de Avaliação: Precisão, Revocação e mAP

Além do IoU, outras métricas de avaliação auxiliam na análise de modelos de detecção de objetos:

Precisão: mede a proporção de caixas delimitadoras corretamente previstas entre todas as previsões;

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

Revocação: mede a proporção de caixas delimitadoras corretamente previstas entre todos os objetos reais;

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

Mean Average Precision (mAP): calcula a média da precisão em diferentes limiares de IoU e categorias de objetos, fornecendo uma avaliação abrangente do desempenho do modelo.


              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 é uma métrica fundamental na avaliação de modelos de detecção de objetos, auxiliando na análise da precisão das caixas delimitadoras previstas. Ao combinar IoU com precisão, recall e mAP, pesquisadores e engenheiros podem ajustar seus modelos para alcançar maior precisão e confiabilidade na detecção.

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 4. Capítulo 4

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Conteúdo do Curso

Fundamentos de Visão Computacional

1. Introdução à Visão Computacional

O Que É Visão Computacional?Fundamentos do Processamento de Imagens Álgebra Linear para Manipulação de Imagens

2. Processamento de Imagens com OpenCV

3. Redes Neurais Convolucionais

Introdução às Redes Neurais Convolucionais Camadas de Convolução Camadas de Pooling Achatamento Funções de Ativação Visão Geral dos Principais Modelos de CNN Desafio: Construindo uma CNN

4. Detecção de Objetos

5. Visão Geral de Tópicos Avançados

Aprendizado por Transferência em Visão Computacional Visão Geral do Reconhecimento Facial Visão Geral da Geração de Imagens

Interseção Sobre União (IoU) e Métricas de Avaliação

Como é Calculado

Matematicamente, o IoU é definido por:

Onde:

Área de Sobreposição é a interseção entre as caixas delimitadoras prevista e real;
Área de União é a área total coberta por ambas as caixas.


              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 como Métrica de Precisão de Caixa Delimitadora

Definição de Limiares de IoU para Verdadeiros Positivos e Falsos Positivos

Para determinar se uma detecção é correta (verdadeiro positivo) ou incorreta (falso positivo), normalmente é definido um limiar para o IoU. Limiares comumente utilizados incluem:

IoU > 0.5: considerado Verdadeiro Positivo (TP);
IoU < 0.5: considerado Falso Positivo (FP).

Definir limiares de IoU mais altos aumenta a precisão, mas pode diminuir a revocação, já que menos detecções atendem aos critérios.

Métricas de Avaliação: Precisão, Revocação e mAP

Além do IoU, outras métricas de avaliação auxiliam na análise de modelos de detecção de objetos:

Precisão: mede a proporção de caixas delimitadoras corretamente previstas entre todas as previsões;

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

Revocação: mede a proporção de caixas delimitadoras corretamente previstas entre todos os objetos reais;

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

Mean Average Precision (mAP): calcula a média da precisão em diferentes limiares de IoU e categorias de objetos, fornecendo uma avaliação abrangente do desempenho do modelo.


              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}")

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 4. Capítulo 4

Fundamentos de Visão Computacional

Interseção Sobre União (IoU) e Métricas de Avaliação

Como é Calculado

IoU como Métrica de Precisão de Caixa Delimitadora

Definição de Limiares de IoU para Verdadeiros Positivos e Falsos Positivos

Métricas de Avaliação: Precisão, Revocação e mAP

1. O que a Interseção sobre União (IoU) mede na detecção de objetos?

2. Qual das alternativas a seguir é considerada um falso negativo em detecção de objetos?

3. Como a Precisão é calculada em detecção de objetos?

Fundamentos de Visão Computacional

Interseção Sobre União (IoU) e Métricas de Avaliação

Como é Calculado

IoU como Métrica de Precisão de Caixa Delimitadora

Definição de Limiares de IoU para Verdadeiros Positivos e Falsos Positivos

Métricas de Avaliação: Precisão, Revocação e mAP

1. O que a Interseção sobre União (IoU) mede na detecção de objetos?

2. Qual das alternativas a seguir é considerada um falso negativo em detecção de objetos?

3. Como a Precisão é calculada em detecção de objetos?