Intro
컴퓨터 비전과 관련된 여러 애플리케이션, 특히 객체 탐지에서는 모델의 성능을 평가하는 데 중요한 지표들이 필요합니다. 이러한 지표 중에서도 IoU(Intersection over Union)와 mAP(mean Average Precision)은 그중에서도 중요합니다.
IoU는 예측된 경계 상자와 실제 경계 상자 사이의 겹치는 영역을 측정하는 지표로, 객체의 위치와 크기를 얼마나 정확하게 탐지하는지 평가하는 데 사용됩니다. 반면, mAP는 여러 임계값에서 평균 정밀도를 계산하여 객체 탐지 모델의 전반적인 성능을 평가하는 지표입니다.
이 두 지표는 객체 탐지의 정확성과 신뢰성을 평가하는 데 있어 핵심적인 역할을 합니다. 이 글에서는 IoU와 mAP의 정의, 계산 방법에 대해 자세히 알아보겠습니다.
IoU
IoU는 "Intersection over Union"의 약자로, 두 개의 바운딩 박스(또는 일반적인 두 영역) 사이의 겹치는 부분을 측정하는 방법입니다. 객체 탐지 작업에서는 모델의 예측 바운딩 박스와 실제 참값(ground truth) 바운딩 박스 사이의 일치 정도를 판단하는 데 주로 사용됩니다.
IoU threshold는 객체 탐지에서 사용되며, 특정 임계값보다 높은 IOU를 가진 예측만을 정확하게 탐지된 것으로 간주합니다. 예를 들어, IOU threshold를 0.5로 설정하면 IOU가 0.5 이상인 Bounding Box만을 "True Positive"로 간주하고 그 미만의 값을 "False Positive"로 간주합니다.
mAP
mAP을 정의하기 위해서는 precision과 recall에 대해 알아야 합니다.
| 예측 Positive | 예측 Negative | |
|---|---|---|
| 실제 Positive | True Positive (TP) | False Negative (FN) |
| 실제 Negative | False Positive (FP) | True Negative (TN) |
정밀도 (Precision)
정밀도는 모델이 Positive로 예측한 결과 중에서 실제로 Positive인 결과의 비율을 나타냅니다.
여기서,
- TP는 True Positive의 수
- FP는 False Positive의 수
재현율 (Recall)
재현율은 실제 Positive인 결과 중에서 모델이 Positive로 예측한 결과의 비율을 나타냅니다.
여기서,
- TP는 True Positive의 수
- FN는 False Negative의 수
Average Precision (AP)
Average Precision은 Precision-Recall 곡선 아래의 영역으로, 객체 탐지 작업에서 특히 중요한 성능 지표입니다. AP는 다양한 임계값에서의 Precision과 Recall 값을 종합하여 계산됩니다.
일반적인 공식은 다음과 같습니다.
mean Average Precision (mAP)
mean Average Precision는 데이터셋 내 모든 클래스에 대한 AP 값의 평균입니다. 객체 탐지 및 세그멘테이션 작업에서는 클래스별로 AP를 계산한 다음, 그 값들의 평균을 내어 mAP를 계산합니다.
