تقاطع فوق الاتحاد (IoU)

تقاطع الاتحاد (IOU) هو مقياس أداء يستخدم لتقييم دقة خوارزميات التوضيح والتجزئة واكتشاف الكائنات. يقوم بقياس التداخل بين المربعات الحدودية المتوقعة أو المناطق المجزأة والمربعات الحدودية الحقيقية أو المناطق الموضحة في مجموعة البيانات. يوفر IOU مقياسًا لمدى تطابق الكائنات المتوقعة مع تعليقات الكائنات الفعلية، مما يجعل من الممكن تقييم دقة النموذج وضبط الخوارزمية لتحسين النتائج.

طريقة حساب سند الدين

يتم حساب IOU عن طريق قسمة مساحة تقاطع المنطقتين المتوقعة والحقيقية على مساحة اتحادهما. يمكن التعبير عن صيغة IOU على النحو التالي:

IOU = منطقة التقاطع / منطقة الاتحاد

تشير قيمة IOU الأعلى إلى محاذاة أفضل بين المناطق المتوقعة والفعلية، مما يعكس نموذجًا أكثر دقة.

يعد التقاطع عبر الاتحاد (IoU) مقياسًا أساسيًا لقياس التداخل بين المناطق المتوقعة والمناطق الحقيقية في اكتشاف الكائنات وتجزئةها. يشكل هذا المفهوم الأساس لمقياسين مرتبطين يستخدمان عادة في مجال الرؤية الحاسوبية: مؤشر جاكارد، الذي يوفر رؤية بديلة لتقييم التداخل، ومتوسط الدقة المتوسطة (mAP)، الذي يوفر تقييمًا شاملاً لدقة النموذج من خلال أخذ كل من التداخل وخارج النطاق في الاعتبار. التوازن بين الدقة والتذكير.

مؤشر جاكارد

مؤشر جاكارد، المعروف أيضًا باسم معامل تشابه جاكارد، هو مؤشر تقييم مرتبط بقياس التشابه بين مجموعتين. في سياق اكتشاف الكائنات وتقسيمها، يتم حساب مؤشر جاكارد كنسبة تقاطع المناطق المتوقعة والحقيقية إلى اتحاد هذه المناطق. كما هو الحال مع مؤشر IOU، يوفر مؤشر Jaccard مقياسًا للتداخل بين التعليقات والتنبؤات.

متوسط الدقة المتوسطة (mAP)

متوسط الدقة المتوسطة (mAP) هو مقياس تقييم آخر يستخدم على نطاق واسع في اكتشاف الكائنات، والذي يوفر مقياسًا إجماليًا لدقة النموذج في مستويات مختلفة من الدقة والتذكر. يعد mAP شائعًا بشكل خاص في تقييم نماذج اكتشاف الكائنات مثل YOLO وR-CNN. ويأخذ في الاعتبار التوازن بين الدقة والاسترجاع ويقدم تقييماً شاملاً لأداء النموذج.

تنفيذ التقاطع والاتحاد في بايثون

يعد مقياس التقاطع عبر الاتحاد (IOU) أداة أساسية لتقييم أداء نماذج اكتشاف الكائنات وتجزئةها. يوفر تنفيذ Python لحساب IOU فهمًا واضحًا لدوره في تقييم دقة خوارزميات التعلم العميق.

طلب سند دين

عند التعمق في المجال العملي، فإن تطبيق IoU (التقاطع عبر الاتحاد) يغطي الجوانب الرئيسية لرؤية الكمبيوتر. من تقييم دقة تحديد موقع الكائن في اكتشاف الكائن إلى تحسين دقة التجزئة، فإن دور IoU أمر بالغ الأهمية. 

اكتشاف الكائنات

في مهام اكتشاف الكائنات، يعد IOU أمرًا بالغ الأهمية لتقييم مدى نجاح النموذج في تحديد موقع الكائنات في الصورة. من خلال مقارنة مربع التحديد المتوقع بمربع التحديد الحقيقي الأساسي، توفر IOU نظرة ثاقبة على دقة واسترجاع اكتشافات النموذج. تساعد هذه المعلومات في ضبط عتبة الاكتشاف وتحسين النموذج للسيناريوهات الواقعية.

التجزئة الدلالية

تتضمن التجزئة الدلالية تصنيف كل بكسل في الصورة على أنه ينتمي إلى فئة كائنات محددة. يتم استخدام IOU لتقييم جودة المناطق المجزأة. إنه يقيس قدرة النموذج على تحديد حدود الكائنات ويساعد في تحسين دقة التجزئة.

تجزئة المثيلات

يمتد تقسيم المثيلات إلى التجزئة الدلالية من خلال التمييز بين مثيلات نفس فئة الكائن. يساعد IOU في تقييم مدى قدرة النموذج على فصل وتحديد حالات الكائنات المختلفة في صورة ما، مما يجعله مقياسًا مهمًا للمهام التي تتطلب فصل الكائنات بدقة.

مراجع

【1】https://encord.com/glossary/iou-definition/