IoU

Материал из MachineLearning.

Перейти к: навигация, поиск
Статья написана с использованием LLM OpenAI GPT-5.5 и проверена участником Georgii Maiorov Georgii Maiorov 23:44, 18 июля 2026 (MSD)


Intersection over Union (IoU, также коэффициент Жаккара для ограничивающих прямоугольников) — мера сходства двух областей на изображении, широко применяемая в детекции объектов для оценки качества локализации. Значение IoU определяется как отношение площади пересечения двух областей к площади их объединения и принимает значения от 0 до 1.

Метрика Intersection over Union играет центральную роль в современных алгоритмах компьютерного зрения. Именно она определяет, считается ли предсказанный ограничивающий прямоугольник правильным, используется при вычислении Precision, Recall, Average Precision и Mean Average Precision, а также лежит в основе современных функций потерь для детекции объектов, таких как GIoU, DIoU и CIoU.

Содержание

Введение

В отличие от классификации изображений, где достаточно определить принадлежность объекта к одному из классов, в задаче детекции объектов необходимо одновременно определить что изображено и где расположен объект.

Даже если объект классифицирован правильно, ошибка в определении его положения может сделать результат непригодным для практического применения. Поэтому возникает необходимость количественно оценивать степень совпадения предсказанного и истинного ограничивающих прямоугольников.

Наиболее распространённой мерой такого совпадения является Intersection over Union (IoU). Благодаря простоте вычисления и понятной геометрической интерпретации эта величина стала фактическим стандартом оценки качества локализации объектов. На её основе строятся практически все современные метрики качества детекторов и многие функции потерь, применяемые при обучении моделей.

Определение

Пусть B_p — ограничивающий прямоугольник, предсказанный моделью, а B_{gt} — соответствующий ему истинный ограничивающий прямоугольник (ground truth).

Тогда коэффициент Intersection over Union определяется как отношение площади пересечения этих областей к площади их объединения:

\operatorname{IoU}(B_p,B_{gt})= \frac{|B_p\cap B_{gt}|}{|B_p\cup B_{gt}|}.

Значение IoU удовлетворяет условию

0\le \operatorname{IoU}\le 1.

Если ограничивающие прямоугольники полностью совпадают, то \operatorname{IoU}=1. Если они не имеют общих точек, то \operatorname{IoU}=0. Во всех остальных случаях значение IoU характеризует степень совпадения областей и тем самым качество локализации объекта.

Геометрическая интерпретация

Вычисление IoU основано на сравнении двух областей: ограничивающего прямоугольника, предсказанного моделью, и эталонного прямоугольника, заданного в разметке набора данных.

Площадь пересечения характеризует общую часть этих областей, тогда как площадь объединения равна суммарной площади обеих областей без двойного учёта общей части.

Таким образом, коэффициент IoU можно интерпретировать как долю общей области среди всей площади, занимаемой двумя прямоугольниками.

Чем точнее предсказанный ограничивающий прямоугольник совпадает с истинным, тем больше площадь пересечения и тем выше значение IoU.

На практике можно выделить несколько характерных случаев.

Расположение прямоугольников Значение IoU
Полное совпадение 1
Частичное перекрытие 0<\operatorname{IoU}<1
Отсутствие пересечения 0

Следует отметить, что одинаковое значение IoU может соответствовать различным вариантам взаимного расположения прямоугольников. Поэтому коэффициент характеризует лишь степень совпадения областей, но не описывает характер ошибки локализации.

Использование IoU при оценке детекторов

Основное применение Intersection over Union связано с определением того, считается ли обнаруженный объект найденным правильно.

После того как модель предсказала ограничивающий прямоугольник и класс объекта, вычисляется значение IoU между этим прямоугольником и соответствующей истинной разметкой.

Если значение IoU превышает заранее выбранный порог, детекция считается корректной (True Positive). В противном случае предсказание рассматривается как ошибочное (False Positive).

Наиболее распространённым пороговым значением является

\operatorname{IoU}\ge 0.5,

которое исторически использовалось в соревнованиях PASCAL VOC. В современных наборах данных, таких как MS COCO, качество модели оценивается сразу для нескольких порогов IoU, что позволяет значительно строже оценивать точность локализации объектов.

Таким образом, Intersection over Union служит первым этапом вычисления большинства современных метрик качества. После определения истинно положительных, ложноположительных и пропущенных обнаружений вычисляются Precision и Recall, по которым затем строится кривая Precision–Recall и определяются Average Precision и Mean Average Precision.

Именно поэтому IoU считается фундаментальным понятием практически всей задачи детекции объектов.

Использование IoU в функциях потерь

Первоначально алгоритмы детекции объектов оптимизировали координаты ограничивающих прямоугольников с помощью классических функций потерь регрессии, таких как L1- и Smooth L1-потери. Однако эти функции оценивают ошибки отдельных координат независимо и не учитывают итоговое качество совпадения предсказанной и истинной областей.

Например, два ограничивающих прямоугольника могут иметь небольшие различия в координатах, но существенно отличаться по площади пересечения. И наоборот, одинаковая ошибка координат может приводить к различному качеству локализации в зависимости от размеров объекта.

По этой причине современные детекторы всё чаще используют функции потерь, непосредственно связанные с коэффициентом Intersection over Union.

Наиболее распространёнными являются:

  • IoU Loss — минимизирует величину 1-\operatorname{IoU};
  • Generalized IoU (GIoU) — учитывает взаимное расположение прямоугольников даже при отсутствии их пересечения;
  • Distance IoU (DIoU) — дополнительно штрафует расстояние между центрами ограничивающих прямоугольников;
  • Complete IoU (CIoU) — помимо расстояния между центрами учитывает различие отношений сторон прямоугольников.

Использование этих функций потерь позволяет оптимизировать непосредственно ту величину, по которой впоследствии оценивается качество локализации модели. Это приводит к более устойчивому обучению и повышению точности современных детекторов объектов.

Подробное описание этих методов приведено в статье Функции потерь в задачах детекции объектов.

Достоинства и ограничения

К основным достоинствам коэффициента Intersection over Union относятся:

  • простота вычисления и интерпретации;
  • независимость от размеров изображения;
  • единый критерий оценки качества локализации для различных моделей;
  • широкое использование в современных наборах данных и соревнованиях по компьютерному зрению.

Несмотря на широкое распространение, IoU имеет ряд ограничений.

Во-первых, коэффициент становится равным нулю, если ограничивающие прямоугольники не пересекаются. В этом случае невозможно определить, насколько далеко они расположены друг от друга, поскольку любые непересекающиеся области получают одинаковую оценку.

Во-вторых, IoU не учитывает характер ошибки локализации. Например, одинаковое значение коэффициента может соответствовать различным вариантам взаимного расположения ограничивающих прямоугольников.

Наконец, выбор порогового значения IoU оказывает непосредственное влияние на итоговые показатели качества детектора. Более высокие пороги требуют значительно более точной локализации объектов и делают критерий оценки более строгим.

См. также

Литература

  1. Everingham M. et al. The Pascal Visual Object Classes (VOC) Challenge. International Journal of Computer Vision, 2010.
  2. Lin T.-Y. et al. Microsoft COCO: Common Objects in Context. ECCV, 2014.
  3. Rezatofighi H. et al. Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression. CVPR, 2019.
  4. Zheng Z. et al. Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression. AAAI, 2020.
  5. Redmon J. et al. You Only Look Once: Unified, Real-Time Object Detection. CVPR, 2016.
Источник — «http://poligon.machinelearning.ru/wiki/index.php?title=IoU»
Личные инструменты