Lära Intersection Over Union (IoU) och Utvärderingsmetoder

Hur det beräknas

Matematiskt ges IoU av:

Där:

Area of Overlap är skärningsytan mellan den predikterade och den faktiska avgränsningsrutan;
Area of Union är den totala ytan som täcks av båda rutorna.


              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 som ett mått på noggrannhet för avgränsningsrutor

IoU används ofta för att bedöma hur väl en predikterad avgränsningsruta överensstämmer med den faktiska sanningen (ground truth). Högre IoU-värden indikerar bättre överensstämmelse, där ett IoU på 1.0 innebär perfekt överlappning och 0.0 innebär ingen överlappning alls.

Tröskelvärde för IoU vid sanna och falska positiva

För att avgöra om en detektion är korrekt (sant positiv) eller felaktig (falskt positiv) sätts vanligtvis ett tröskelvärde för IoU. Vanligt förekommande tröskelvärden inkluderar:

IoU > 0.5: betraktas som Sant Positiv (TP);
IoU < 0.5: betraktas som Falskt Positiv (FP).

Att sätta högre IoU-tröskelvärden ökar precisionen men kan minska återkallelsen eftersom färre detektioner uppfyller kriterierna.

Utvärderingsmått: Precision, Recall och mAP

Utöver IoU används andra utvärderingsmått för att bedöma modeller för objektdetektering:

Precision: mäter andelen korrekt predikterade avgränsningsrutor bland alla prediktioner;

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

Recall: mäter andelen korrekt predikterade avgränsningsrutor bland alla faktiska objekt;

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

Mean Average Precision (mAP): beräknar den genomsnittliga precisionen över olika IoU-tröskelvärden och objektkategorier, vilket ger en omfattande utvärdering av modellens prestanda.


              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 fungerar som en grundläggande metrisk för att utvärdera objektigenkänningsmodeller och hjälper till att bedöma noggrannheten hos förutsagda avgränsningsrutor. Genom att kombinera IoU med precision, recall och mAP kan forskare och ingenjörer finjustera sina modeller för att uppnå högre detekteringsnoggrannhet och tillförlitlighet.

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 4. Kapitel 4

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Suggested prompts:

Ställ mig frågor om detta ämne

Sammanfatta detta kapitel

Visa verkliga exempel

Awesome!

Completion rate improved to 3.45

Svep för att visa menyn

Hur det beräknas

Matematiskt ges IoU av:

Där:

Area of Overlap är skärningsytan mellan den predikterade och den faktiska avgränsningsrutan;
Area of Union är den totala ytan som täcks av båda rutorna.


              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 som ett mått på noggrannhet för avgränsningsrutor

Tröskelvärde för IoU vid sanna och falska positiva

För att avgöra om en detektion är korrekt (sant positiv) eller felaktig (falskt positiv) sätts vanligtvis ett tröskelvärde för IoU. Vanligt förekommande tröskelvärden inkluderar:

IoU > 0.5: betraktas som Sant Positiv (TP);
IoU < 0.5: betraktas som Falskt Positiv (FP).

Att sätta högre IoU-tröskelvärden ökar precisionen men kan minska återkallelsen eftersom färre detektioner uppfyller kriterierna.

Utvärderingsmått: Precision, Recall och mAP

Utöver IoU används andra utvärderingsmått för att bedöma modeller för objektdetektering:

Precision: mäter andelen korrekt predikterade avgränsningsrutor bland alla prediktioner;

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

Recall: mäter andelen korrekt predikterade avgränsningsrutor bland alla faktiska objekt;

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

Mean Average Precision (mAP): beräknar den genomsnittliga precisionen över olika IoU-tröskelvärden och objektkategorier, vilket ger en omfattande utvärdering av modellens prestanda.


              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}")

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 4. Kapitel 4

Intersection Over Union (IoU) och Utvärderingsmetoder

Hur det beräknas

IoU som ett mått på noggrannhet för avgränsningsrutor

Tröskelvärde för IoU vid sanna och falska positiva

Utvärderingsmått: Precision, Recall och mAP

1. Vad mäter Intersection over Union (IoU) inom objektigenkänning?

2. Vilket av följande betraktas som ett falskt negativt i objektdetektering?

3. Hur beräknas precision i objektdetektering?

Awesome!

Intersection Over Union (IoU) och Utvärderingsmetoder

Hur det beräknas

IoU som ett mått på noggrannhet för avgränsningsrutor

Tröskelvärde för IoU vid sanna och falska positiva

Utvärderingsmått: Precision, Recall och mAP

1. Vad mäter Intersection over Union (IoU) inom objektigenkänning?

2. Vilket av följande betraktas som ett falskt negativt i objektdetektering?

3. Hur beräknas precision i objektdetektering?