რა მეტრიკები გამოიყენება ობიექტების სეგმენტაციისა და გამოვლენისათვის?

კომპიუტერული ხედვის დავალებებში გამოიყენება შემდეგი ძირითადი მეტრიკები:

• IoU (შესაკვეთის და ერთიანობის მიხედვით) — ზომა, რომელიც ზომავს გადაკვეთას წინასწარ განსაზღვრულ და რეალურ ობიექტის ზონებს შორის. გამოიყენება დეტექციის და სეგმენტაციის ხარისხის შეფასებისთვის.

• mAP (საშუალო სიზუსტე) — სიზუსტის საშუალო მნიშვნელობა სხვადასხვა IoU ზღვარზე და კლასებზე. ხშირად გამოიყენება ობიექტების დეტექტორების შეფასებისთვის.

• პიქსელების სიზუსტე — პროცენტი სწორად კლასიფიცირებული პიქსელების სეგმენტაციის დავალებაში.

• Dice კოეფიციენტი (F1-შეფასება სეგმენტაციისთვის) — ორი ნაკრების (წინასწარი და რეალური მასკა) მსგავსების ზომა, განსაკუთრებით პოპულარული სამედიცინო სეგმენტაციაში.

• სიზუსტე და Recall — ობიექტების აღმოჩენის სიზუსტე და სრულიობა, მნიშვნელოვანია დეტექციის ხარისხის შეფასებისთვის.

მაგალითი: ობიექტების აღმოჩენისას mAP@0.5 (IoU ზღვარი 0.5) აჩვენებს, რამდენად ზუსტად იპოვის მოდელი ობიექტებს მინიმუმ 50% გადაკვეთით.