IOU,全称Intersection over Union,作为评估指标,常用于衡量目标检测数据集的准确性。而且任何提供预测边界框作为输出的算法都可以使用IoU指标进行评估。
使用IOU指标的限制条件
必须具备以下2种边界框。
1、真实边界框,手工标记的边界框,用于指定对象在图像中的位置
2、算法模型的预测边界框
在进行对象检测和图像分割时,IoU指标可以评估实况和预测区域的重叠。
IOU指标在对象检测中的实例
有三个模型图像A、B和C,被训练来预测鸟类。标记真实边界框为红色,预侧边界框为青色。
很明显,与模型B相比,模型A的预测边界框与真实边界框的重叠面积更多。
然而,模型C中预测边界框与真实边界框的重叠程度更高,但它也与背景有很高的重叠。
因此,仅基于重叠面积的考量是不公平的,还应该考虑定位精度。这不仅仅需要考虑真实边界框,还要考虑预测与真实边界的匹配程度。
IoU是重叠区域与预测和真实边界框的组合区域的比率
IoU值范围从0到1。其中0表示没有重叠,1表示完全重叠。
借助IoU阈值,我们可以决定预测是True Positive(TP)、False Positive(FP)还是False Negative(FN)。下面的示例显示了IoU阈值ɑ设置为0.5的预测。
IOU指标在图像分割中的实例
目标检测中的IoU是一个辅助指标。但在图像分割中,IoU是评估模型准确性的主要指标。
在图像分割的情况下,区域不一定是矩形。它可以具有任何规则或不规则的形状。这意味着预测是分割掩码而不是边界框。因此,这里进行逐像素分析。此外,TP、FP和FN的定义略有不同,因为它不是基于预定义的阈值。
TP(True Positive):Ground Truth(GT)和分割掩码(S)之间的交集区域。
TP=GT.S
FP(False Positive):Ground Truth之外的预测区域
FP=(GT+S)-GT
FN(False Negative):模型未能预测的地面实况区域中的像素数。
FN=(GT+S)-S
从目标检测中可以知道,IoU指标是相交区域与预测和真实组合区域的比率。由于TP、FP和FN的值只不过是面积或像素数;我们可以将IoU写成如下: