Вивчайте Перетин Над Об'єднанням (IoU) та Метрики Оцінювання

Свайпніть щоб показати меню

Визначення

Intersection over Union (IoU) — це метрика, яка вимірює точність передбачених обмежувальних рамок шляхом обчислення відношення площі перекриття між передбаченою та еталонною рамками до площі їх об'єднання.

Як обчислюється

Математично IoU визначається так:

Де:

Area of Overlap — це перетин передбаченої та фактичної обмежувальних рамок;
Area of Union — це загальна площа, яку покривають обидві рамки.


              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 як метрика точності обмежувальної рамки

IoU зазвичай використовується для оцінки того, наскільки добре передбачена обмежувальна рамка співпадає з еталонною. Вищі значення IoU вказують на кращу відповідність: IoU, що дорівнює 1.0, означає ідеальне перекриття, а 0.0 — повну відсутність перекриття.

Встановлення порогу IoU для істинно позитивних та хибно позитивних результатів

Щоб визначити, чи є виявлення правильним (істинно позитивним) або неправильним (хибно позитивним), зазвичай встановлюється поріг для IoU. Поширені пороги включають:

IoU > 0.5: вважається істинно позитивним (TP);
IoU < 0.5: вважається хибно позитивним (FP).

Встановлення вищих порогів IoU підвищує точність, але може зменшити повноту, оскільки менше виявлень відповідають критеріям.

Метрики оцінювання: точність, повнота та mAP

Окрім IoU, інші метрики оцінювання допомагають аналізувати моделі детекції об'єктів:

Точність (Precision): вимірює частку правильно передбачених обмежувальних рамок серед усіх передбачень;

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

Повнота (Recall): вимірює частку правильно передбачених обмежувальних рамок серед усіх об'єктів із розмітки;

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

Середня середня точність (mAP): обчислює середню точність для різних порогів IoU та категорій об'єктів, забезпечуючи комплексну оцінку ефективності моделі.


              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 є базовою метрикою для оцінювання моделей детекції об'єктів, допомагаючи визначити точність передбачених обмежувальних рамок. Поєднуючи IoU з точністю, повнотою та mAP, дослідники й інженери можуть оптимізувати свої моделі для досягнення вищої точності та надійності детекції.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 22

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Секція 1. Розділ 22

Перетин Над Об'єднанням (IoU) та Метрики Оцінювання

Як обчислюється

IoU як метрика точності обмежувальної рамки

Встановлення порогу IoU для істинно позитивних та хибно позитивних результатів

Метрики оцінювання: точність, повнота та mAP

1. Що вимірює Intersection over Union (IoU) у задачі детекції об'єктів?

2. Що з наведеного вважається хибнонегативним результатом (false negative) у задачі детекції об'єктів?

3. Як обчислюється точність (Precision) у задачі детекції об'єктів?