به نام خدا
یکی از کاربردهای این معیار در مسائل تشخیص شی است. همان طور که از نام آن نیز مشخص است میزان همپوشانی را محاسبه می کند. اگر در تصویری جعبه ی محاطی برای شیئی پیش بینی شود برای اینکه بدانیم چقدر این جعبه درست پیش بینی شده است می توان از این معیار استفاده کرد.
مثال زیر بسیار خوب این مفهوم را می رساند.
همان طور که در شکل بالا نشان داده شده است جعبه ی قرمز رنگ جعبه ی محاطی درست برای شی ماشین و جعبه ی پیش بینی شده نیز با رنگ بنفش مشخص شده است. برای اینکه بدانیم چه میزان این پیش بینی خوب انجام شده است از IoU استفاده می کنیم. مساحت مشترک دو جعبه را در صورت کسر و میزان کل مساحتی که این دو جعبه دارند در مخرج کسر قرار می دهیم و حاصل عددی بین 0 و 1 خواهد بود. اگر این دو جعبه هیچ همپوشانی نداشته باشند این عدد صفر و اگر کاملا روی هم قرار گیرند مقدار 1 خواهد شد. این معیار با جزئیات بیشتر در شکل زیر آمده است.(نکته ای که وجود دارد این است که در مخرج این کسر ناحیه ی مشترک نباید دوبار حساب شود. )
این معیار می تواند برای محاسبه ی mAP یا حتی در محاسبه ی تابع خطای این مسائل استفاده شود. برای محاسبه ی این معیار می توانید از کد زیر استفاده کنید.
def _interval_overlap(interval_a, interval_b): x1, x2 = interval_a x3, x4 = interval_b if x3 < x1: if x4 < x1: return 0 else: return min(x2,x4) - x1 else: if x2 < x3: return 0 else: return min(x2,x4) - x3 def bbox_iou(box1, box2): intersect_w = _interval_overlap([box1.xmin, box1.xmax], [box2.xmin, box2.xmax]) intersect_h = _interval_overlap([box1.ymin, box1.ymax], [box2.ymin, box2.ymax]) intersect = intersect_w * intersect_h w1, h1 = box1.xmax-box1.xmin, box1.ymax-box1.ymin w2, h2 = box2.xmax-box2.xmin, box2.ymax-box2.ymin union = w1*h1 + w2*h2 - intersect return float(intersect) / union
این معیار مشکلاتی دارد که نسخه های بعد ار آن مثل CIoU, DIoU و GIoU سعی می کنند آن ها را برطرف کنند. نسخه های دیگر را در پست های بعدی معرفی خواهیم کرد.
منبع کد:
https://github.com/sanazkhalili/YOLOv3/blob/master/codes/TestYolov3.ipynb
