Kesişim/Birleşim Oranı (Intersection over Union)

Kesişim/Birleşim Oranı nedir?

Kesişim/birleşim oranı (intersection over union, kısaca IoU), iki bölgenin ne kadar örtüştüğünü ölçen bir metriktir. Bilgisayarlı görüde genellikle bir modelin tahmin ettiği sınırlayıcı kutu ile insanın etiketlediği gerçek kutu arasındaki uyumu ölçmek için kullanılır. Jaccard indeksi olarak da bilinir.

Değeri 0 ile 1 arasındadır. 0, iki kutunun hiç örtüşmediğini; 1, tamamen aynı olduklarını gösterir.

Nasıl çalışır?

Formül adından anlaşılır: İki bölgenin kesişim alanı, iki bölgenin birleşim alanına bölünür.

Somut bir örnek: Tahmin edilen kutunun alanı 100 piksel kare, gerçek kutunun alanı da 100 piksel kare olsun. İkisi 50 piksel karelik bir alanda örtüşüyorsa birleşim alanı 100 + 100 - 50 = 150 olur. IoU = 50 / 150 ≈ 0,33 çıkar.

IoU'nun güzel yanı ölçekten bağımsız olmasıdır: Küçük bir nesnede de büyük bir nesnede de aynı mantıkla çalışır. Sadece konumu değil, boyutu da hesaba katar. Tahmin edilen kutu doğru yerde ama çok büyükse IoU düşük çıkar.

Nesne tespitinde bir tahminin "doğru" sayılması için genellikle bir IoU eşiği belirlenir. En yaygın eşik 0,5'tir: Gerçek kutuyla en az yüzde 50 IoU'ya sahip tahminler doğru pozitif kabul edilir. Daha katı değerlendirmelerde 0,75 ya da 0,5 ile 0,95 arasındaki birden fazla eşiğin ortalaması kullanılır. Mean average precision (mAP) gibi standart tespit metrikleri bu eşiklere dayanır.

Aynı fikir piksel düzeyinde de uygulanır: Segmentasyonda tahmin edilen maske ile gerçek maskenin kesişim ve birleşim piksel sayıları karşılaştırılır.

Neden önemli?

IoU, "model nesneyi buldu mu?" sorusuna sayısal ve yorumlanabilir bir cevap verir. Nesne tespiti ve segmentasyon modellerinin karşılaştırılmasında ortak dil işlevi görür. Ayrıca eğitimde de kullanılır: IoU'dan türetilen loss fonksiyonları, kutu tahminlerini doğrudan örtüşmeyi artıracak şekilde optimize eder. Non-maximum suppression da hangi kutuların aynı nesneye ait olduğuna IoU ile karar verir.

Kullanım alanları

• Nesne tespiti değerlendirmesi: Tahminleri doğru ya da yanlış pozitif olarak sınıflandırmak.
• Görüntü segmentasyonu: Maske kalitesini piksel düzeyinde ölçmek.
• Nesne takibi: Ardışık karelerde aynı nesneyi eşleştirmek.
• Veri etiketleme kalite kontrolü: Farklı etiketleyicilerin çizdiği kutuların ne kadar tutarlı olduğunu ölçmek.
• Tıbbi görüntüleme: Modelin işaretlediği bölge ile uzmanın işaretlediği bölgeyi karşılaştırmak.