Зміст курсу

Основи Комп'ютерного Зору

1. Вступ до Комп'ютерного Зору

Що таке комп'ютерний зір?Основи Обробки Зображень Лінійна Алгебра для Обробки Зображень

2. Обробка Зображень з OpenCV

Базові Перетворення Перетворення Фур'є Низькочастотні та Високочастотні Фільтри Зменшення Шуму та Згладжування Вирівнювання Гістограми Техніки Суперроздільної Здатності Виявлення Країв Виявлення Кутів і Плям

3. Згорткові Нейронні Мережі

Вступ до Згорткових Нейронних Мереж Шари Згортки Шари Підвибірки Перетворення у вектор Функції активації Огляд популярних моделей CNN Завдання: Побудова CNN

4. Виявлення Об'єктів

Локалізація Об'єктів Виявлення Об'єктів Прогнозування Обмежувальних Рамок Перетин над Об'єднанням (IoU) та Метрики Оцінювання Приглушення Немаксимальних Значень (NMS)Якорні блоки Огляд Моделі YOLO Завдання: Виявлення Об'єктів Із Власною Моделлю Та YOLO

5. Огляд Розширених Тем

Трансферне навчання у комп'ютерному зорі Огляд Розпізнавання Обличчя Огляд Генерації Зображень

Перетин над Об'єднанням (IoU) та Метрики Оцінювання

Як обчислюється

Математично IoU визначається як:

Де:

Area of Overlap — це площа перетину 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 обмежувальних рамок

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

Встановлення порогу IoU для істинно позитивних і 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 еталонних об'єктів;

\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, що допомагає визначити точність передбачених обмежувальних рамок. Поєднуючи IoU з такими показниками, як precision, recall та mAP, дослідники й інженери можуть оптимізувати свої моделі для досягнення більшої точності та надійності виявлення.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 4. Розділ 4

Запитати АІ

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

Зміст курсу

Основи Комп'ютерного Зору

1. Вступ до Комп'ютерного Зору

Що таке комп'ютерний зір?Основи Обробки Зображень Лінійна Алгебра для Обробки Зображень

2. Обробка Зображень з OpenCV

3. Згорткові Нейронні Мережі

4. Виявлення Об'єктів

5. Огляд Розширених Тем

Трансферне навчання у комп'ютерному зорі Огляд Розпізнавання Обличчя Огляд Генерації Зображень

Перетин над Об'єднанням (IoU) та Метрики Оцінювання

Як обчислюється

Математично IoU визначається як:

Де:

Area of Overlap — це площа перетину 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 обмежувальних рамок

Встановлення порогу IoU для істинно позитивних і хибно позитивних результатів

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

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 еталонних об'єктів;

\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}")

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 4. Розділ 4

Основи Комп'ютерного Зору

Перетин над Об'єднанням (IoU) та Метрики Оцінювання

Як обчислюється

IoU як метрика точності обмежувальних рамок

Встановлення порогу IoU для істинно позитивних і 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) в задачі детекції об'єктів?

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

Основи Комп'ютерного Зору

Перетин над Об'єднанням (IoU) та Метрики Оцінювання

Як обчислюється

IoU як метрика точності обмежувальних рамок

Встановлення порогу IoU для істинно позитивних і 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) в задачі детекції об'єктів?

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