📌 목차
- 1. IoU란?
- 2. IoU의 수학적 설명
- 3. IoU의 적용 사례
- 4. IoU의 한계와 보완한 버전들
- 5. IoU Threshold의 영향
- 6. mAP (mean Average Precision)
- 7. IoU 활용 분야 예시
- 8. 직접 계산 예시
1. IoU란?
IoU는 객체 인식(Object Detection)이나 이미지 분할(Segmentation) 같은 작업에서 예측한 위치가 실제 위치랑 얼마나 잘 맞는지를 수치로 나타내는 기준
"모델이 찾은 상자랑 진짜 정답 상자가 얼마나 겹쳐져 있냐?"를 숫자로 나타낸 게 IoU
2. IoU의 수학적 설명
IoU는 두 영역(예측 영역과 실제 영역)의 교집합(Intersection) 면적을
합집합(Union) 면적으로 나눈 값으로 정의됨
-
Ground-truth bounding box : 실제 객체 위치
-
Predicted bounding box : 내가 찾은 객체 위치
-
Intersection: 예측 영역과 실제 영역이 겹치는 부분의 면적
-
Union: 두 영역을 합친 전체 면적
-
IoU : Intersection을 Union으로 나눈 비율
겹치는 부분이 많을수록 IoU 값이 1에 가까워지고,
전혀 안 겹치면 IoU는 0이 됨
3. IoU의 적용 사례
1) 객체 검출에서의 역할
모델이 이미지 속에서 사람, 자동차, 강아지 등을 찾아낼 때
예측한 위치가 실제 위치와 얼마나 일치하는지를 평가할 때 IoU를 사용함
| IoU 값 | 의미 |
|---|---|
| IoU ≥ 0.5 | 올바른 객체 검출로 간주 |
| IoU < 0.5 | 부정확한 객체 검출로 간주 |
2) 분할(Segmentation) 작업
이미지 안에서 객체의 윤곽선(마스크)을 그릴 때,
예측한 마스크와 실제 마스크가 얼마나 비슷한지 평가하는 데에도 IoU가 사용됨
4. IoU의 한계와 보완한 버전들
IoU의 한계점
- 작은 객체는 조금만 위치가 어긋나도 IoU가 급격히 낮아질 수 있음
- 객체의 일부분만 겹치는 경우에도 IoU가 민감하게 낮게 나올 수 있음
개선된 버전들
| 지표 | 보완 포인트 | 특징 요약 |
|---|---|---|
| IoU | 교집합 ÷ 합집합 | 기본 지표, 가장 많이 사용됨 |
| GIoU | 외접 사각형 고려 | 겹치지 않은 경우도 패널티 부여 가능 |
| DIoU | 중심점 거리 고려 | 겹치지 않아도 중심이 가까우면 점수 ↑ |
| CIoU | 거리 + 형태(가로세로 비율) 고려 | 가장 정밀한 평가 가능 |
5. IoU Threshold의 영향
모델 평가 기준으로 흔히 사용하는 IoU ≥ 0.5는
그 기준을 넘기면 "정답(TP)"으로 판단하지만, 상황에 따라 적절한 임계값을 조정해야 함
- IoU ≥ 0.5 → 느슨한 기준 (많은 걸 정답 처리함)
- IoU ≥ 0.75~0.9 → 엄격한 기준 (더 정확한 박스만 정답 인정)
COCO Dataset은?
- IoU 0.5부터 0.95까지 0.05 간격으로 평균을 냄
- 이걸로 정밀한 mAP 측정 가능
6. mAP (mean Average Precision)
IoU는 하나의 박스 평가지만, 모델 전체 성능은 mAP로 평가함
mAP 계산 개요
- 다양한 IoU threshold 기준(예: 0.5, 0.75 등)으로 TP/FP/FN 판단
- 각 클래스에 대해 Precision-Recall 곡선을 그림
- 곡선 아래 면적 (AP, Average Precision)을 구함
- 전체 클래스 평균 → mAP (mean Average Precision)
Precision과 Recall은?
| 개념 | 정의 |
|---|---|
| Precision | 예측한 것 중에 진짜 정답이 얼마나 맞았는가? |
| Recall | 정답 중에 내가 얼마나 잘 맞췄는가? |
- Precision이 높다 → 정답만 잘 골랐음 (신중한 모델)
- Recall이 높다 → 놓친 정답이 적음 (많이 찾아냄)
mAP는 IoU 기준 + Precision/Recall을 종합적으로 본 모델의 '전체 성능 지표'
7. IoU 활용 분야 예시
IoU는 단순히 Object Detection을 넘어서
다양한 실제 응용 분야에서 활용됨
자율주행
- 차량, 사람, 도로 표지판 탐지 정확도 평가
의료 영상
- 종양, 병변 등의 위치 분할 정확도 평가
위성 영상
- 건물, 도로, 농경지 탐지 및 분할 정확도 측정
-> 객체의 위치와 모양을 평가하는 거의 모든 작업에서 IoU는 핵심 지표임
8. 직접 계산 예시
예측 박스 면적: 80
실제 박스 면적: 100
겹친 면적: 60
전체 합집합 = 80 + 100 - 60 = 120
IoU = 60 / 120 = 0.5