Aprenda Interseção sobre União (IoU) e Métricas de Avaliação

Definição

Intersection over Union (IoU) é uma métrica que mede a precisão das caixas delimitadoras previstas, calculando a razão entre a área de sobreposição das caixas previstas e reais e a área da união dessas caixas.

Como é Calculado

Matematicamente, o IoU é dado 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. Valores mais altos de IoU indicam melhor alinhamento, sendo que um IoU de 1.0 significa sobreposição perfeita e 0.0 indica ausência total de 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. Os limiares mais utilizados incluem:

IoU > 0,5: considerado um Verdadeiro Positivo (TP);
IoU < 0,5: considerado um Falso Positivo (FP).

A definição de limiares de IoU mais altos aumenta a precisão, mas pode diminuir o recall, pois menos detecções atendem aos critérios.

Métricas de Avaliação: Precisão, Recall 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{Precisão}=\frac{\text{TP}}{\text{TP}+\text{FP}}

Recall: mede a proporção de caixas delimitadoras corretamente previstas entre todos os objetos de referência (ground truth);

\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 acurácia 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

Suggested prompts:

Can you explain how the IoU formula works in more detail?

What are some common applications of IoU in computer vision?

How does changing the IoU threshold affect model evaluation?

Awesome!

Completion rate improved to 3.45

Deslize para mostrar o menu

Definição

Como é Calculado

Matematicamente, o IoU é dado 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. Os limiares mais utilizados incluem:

IoU > 0,5: considerado um Verdadeiro Positivo (TP);
IoU < 0,5: considerado um Falso Positivo (FP).

A definição de limiares de IoU mais altos aumenta a precisão, mas pode diminuir o recall, pois menos detecções atendem aos critérios.

Métricas de Avaliação: Precisão, Recall 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{Precisão}=\frac{\text{TP}}{\text{TP}+\text{FP}}

Recall: mede a proporção de caixas delimitadoras corretamente previstas entre todos os objetos de referência (ground truth);

\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

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, Recall e mAP

1. O que a métrica Intersection over Union (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?

Awesome!

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, Recall e mAP

1. O que a métrica Intersection over Union (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?