Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Вивчайте Перетин над Об'єднанням (IoU) та Метрики Оцінювання | Виявлення Об'єктів
Основи Комп'ютерного Зору

bookПеретин 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)
copy

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;
Precision=TPTP+FP\text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}}
  • Повнота (Recall): вимірює частку правильно передбачених обмежувальних рамок серед усіх еталонних об'єктів;
Recall=TPTP+FN\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}")
copy

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.

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?

question mark

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

Select the correct answer

question mark

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

Select the correct answer

question mark

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

Select the correct answer

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 4. Розділ 4

Запитати АІ

expand

Запитати АІ

ChatGPT

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

Suggested prompts:

Запитайте мені питання про цей предмет

Сумаризуйте цей розділ

Покажіть реальні приклади

Awesome!

Completion rate improved to 3.45

bookПеретин над Об'єднанням (IoU) та Метрики Оцінювання

Свайпніть щоб показати меню

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)
copy

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;
Precision=TPTP+FP\text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}}
  • Повнота (Recall): вимірює частку правильно передбачених обмежувальних рамок серед усіх еталонних об'єктів;
Recall=TPTP+FN\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}")
copy

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.

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?

question mark

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

Select the correct answer

question mark

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

Select the correct answer

question mark

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

Select the correct answer

Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 4. Розділ 4
some-alt