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 як:

Де:

Площа перекриття — це перетин передбаченої та фактичної обмежувальних рамок;
Площа об'єднання — 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 коректним (істинно позитивним) або некоректним (хибно позитивним), зазвичай встановлюється поріг 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.