Contenido del Curso

Fundamentos de Visión por Computadora

1. Introducción a la Visión por Computadora

¿Qué es la Visión por Computadora?Fundamentos del Procesamiento de Imágenes Álgebra Lineal para la Manipulación de Imágenes

2. Procesamiento de Imágenes con OpenCV

Transformaciones Básicas Transformada de Fourier Filtros de Paso Bajo y Paso Alto Reducción de Ruido y Suavizado Ecualización de Histograma Técnicas de Superresolución Detección de Bordes Detección de Esquinas y Blobs

3. Redes Neuronales Convolucionales

Introducción a las Redes Neuronales Convolucionales Capas de Convolución Capas de Agrupamiento Aplanamiento Funciones de Activación Visión General de los Modelos CNN Populares Desafío: Construcción de una CNN

4. Detección de Objetos

Localización de Objetos Detección de Objetos Predicciones de Cajas Delimitadoras Intersección Sobre Unión (IoU) y Métricas de Evaluación Supresión No Máxima (NMS)Cajas Ancla Descripción General del Modelo YOLO Desafío: Detección de Objetos con Modelo Personalizado y YOLO

5. Visión General de Temas Avanzados

Aprendizaje por Transferencia en Visión por Computadora Visión General del Reconocimiento Facial Visión General de la Generación de Imágenes

Intersección Sobre Unión (IoU) y Métricas de Evaluación

Cómo se calcula

Matemáticamente, IoU se expresa como:

Donde:

Área de superposición es la intersección de las cajas delimitadoras predicha y real;
Área de unión es el área total cubierta por ambas cajas.


              12345678910111213141516171819202122232425262728
            
import numpy as np

def compute_iou(boxA, boxB):
    # Extract coordinates
    xA = max(boxA[0], boxB[0])
    yA = max(boxA[1], boxB[1])
    xB = min(boxA[2], boxB[2])
    yB = min(boxA[3], boxB[3])
    
    # Compute intersection area
    interArea = max(0, xB - xA) * max(0, yB - yA)
    
    # Compute areas of both boxes
    boxAArea = (boxA[2] - boxA[0]) * (boxA[3] - boxA[1])
    boxBArea = (boxB[2] - boxB[0]) * (boxB[3] - boxB[1])
    
    # Compute union area
    unionArea = boxAArea + boxBArea - interArea
    
    # Compute IoU
    iou = interArea / unionArea
    return iou

# Example usage
box1 = [50, 50, 150, 150]  # [x1, y1, x2, y2]
box2 = [100, 100, 200, 200]
iou_score = compute_iou(box1, box2)
print("IoU Score:", iou_score)

IoU como métrica para la precisión de las cajas delimitadoras

IoU se utiliza comúnmente para evaluar qué tan bien una caja delimitadora predicha se alinea con la verdad de terreno. Valores más altos de IoU indican una mejor alineación, donde un IoU de 1.0 significa superposición perfecta y 0.0 significa que no hay superposición en absoluto.

Umbral de IoU para verdaderos positivos y falsos positivos

Para determinar si una detección es correcta (verdadero positivo) o incorrecta (falso positivo), normalmente se establece un umbral para IoU. Los umbrales comúnmente utilizados incluyen:

IoU > 0.5: considerado un Verdadero Positivo (TP);
IoU < 0.5: considerado un Falso Positivo (FP).

Establecer umbrales de IoU más altos incrementa la precisión pero puede disminuir la exhaustividad, ya que menos detecciones cumplen con el criterio.

Métricas de evaluación: Precisión, Exhaustividad y mAP

Además de IoU, otras métricas de evaluación ayudan a valorar los modelos de detección de objetos:

Precisión: mide la proporción de cajas delimitadoras correctamente predichas entre todas las predicciones;

\text{Precisión}=\frac{\text{TP}}{\text{TP}+\text{FP}}

Exhaustividad: mide la proporción de cajas delimitadoras correctamente predichas entre todos los objetos de la verdad de terreno;

\text{Exhaustividad}=\frac{\text{TP}}{\text{TP}+\text{FN}}

Precisión Media Promedio (mAP): calcula la precisión promedio a través de diferentes umbrales de IoU y categorías de objetos, proporcionando una evaluación integral del rendimiento del modelo.


              123456789
            
def precision_recall(tp, fp, fn):
    precision = tp / (tp + fp) if (tp + fp) > 0 else 0
    recall = tp / (tp + fn) if (tp + fn) > 0 else 0
    return precision, recall

# Example usage
tp, fp, fn = 50, 10, 20
precision, recall = precision_recall(tp, fp, fn)
print(f"Precision: {precision:.2f}, Recall: {recall:.2f}")

IoU es una métrica fundamental para evaluar modelos de detección de objetos, ya que ayuda a medir la precisión de las cajas delimitadoras predichas. Al combinar IoU con precisión, recall y mAP, investigadores e ingenieros pueden ajustar sus modelos para lograr mayor exactitud y fiabilidad en la detección.

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 4. Capítulo 4

Pregunte a AI

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

Contenido del Curso

Fundamentos de Visión por Computadora

1. Introducción a la Visión por Computadora

¿Qué es la Visión por Computadora?Fundamentos del Procesamiento de Imágenes Álgebra Lineal para la Manipulación de Imágenes

2. Procesamiento de Imágenes con OpenCV

3. Redes Neuronales Convolucionales

4. Detección de Objetos

5. Visión General de Temas Avanzados

Aprendizaje por Transferencia en Visión por Computadora Visión General del Reconocimiento Facial Visión General de la Generación de Imágenes

Intersección Sobre Unión (IoU) y Métricas de Evaluación

Cómo se calcula

Matemáticamente, IoU se expresa como:

Donde:

Área de superposición es la intersección de las cajas delimitadoras predicha y real;
Área de unión es el área total cubierta por ambas cajas.


              12345678910111213141516171819202122232425262728
            
import numpy as np

def compute_iou(boxA, boxB):
    # Extract coordinates
    xA = max(boxA[0], boxB[0])
    yA = max(boxA[1], boxB[1])
    xB = min(boxA[2], boxB[2])
    yB = min(boxA[3], boxB[3])
    
    # Compute intersection area
    interArea = max(0, xB - xA) * max(0, yB - yA)
    
    # Compute areas of both boxes
    boxAArea = (boxA[2] - boxA[0]) * (boxA[3] - boxA[1])
    boxBArea = (boxB[2] - boxB[0]) * (boxB[3] - boxB[1])
    
    # Compute union area
    unionArea = boxAArea + boxBArea - interArea
    
    # Compute IoU
    iou = interArea / unionArea
    return iou

# Example usage
box1 = [50, 50, 150, 150]  # [x1, y1, x2, y2]
box2 = [100, 100, 200, 200]
iou_score = compute_iou(box1, box2)
print("IoU Score:", iou_score)

IoU como métrica para la precisión de las cajas delimitadoras

Umbral de IoU para verdaderos positivos y falsos positivos

Para determinar si una detección es correcta (verdadero positivo) o incorrecta (falso positivo), normalmente se establece un umbral para IoU. Los umbrales comúnmente utilizados incluyen:

IoU > 0.5: considerado un Verdadero Positivo (TP);
IoU < 0.5: considerado un Falso Positivo (FP).

Establecer umbrales de IoU más altos incrementa la precisión pero puede disminuir la exhaustividad, ya que menos detecciones cumplen con el criterio.

Métricas de evaluación: Precisión, Exhaustividad y mAP

Además de IoU, otras métricas de evaluación ayudan a valorar los modelos de detección de objetos:

Precisión: mide la proporción de cajas delimitadoras correctamente predichas entre todas las predicciones;

\text{Precisión}=\frac{\text{TP}}{\text{TP}+\text{FP}}

Exhaustividad: mide la proporción de cajas delimitadoras correctamente predichas entre todos los objetos de la verdad de terreno;

\text{Exhaustividad}=\frac{\text{TP}}{\text{TP}+\text{FN}}

Precisión Media Promedio (mAP): calcula la precisión promedio a través de diferentes umbrales de IoU y categorías de objetos, proporcionando una evaluación integral del rendimiento del modelo.


              123456789
            
def precision_recall(tp, fp, fn):
    precision = tp / (tp + fp) if (tp + fp) > 0 else 0
    recall = tp / (tp + fn) if (tp + fn) > 0 else 0
    return precision, recall

# Example usage
tp, fp, fn = 50, 10, 20
precision, recall = precision_recall(tp, fp, fn)
print(f"Precision: {precision:.2f}, Recall: {recall:.2f}")

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 4. Capítulo 4

Fundamentos de Visión por Computadora

Intersección Sobre Unión (IoU) y Métricas de Evaluación

Cómo se calcula

IoU como métrica para la precisión de las cajas delimitadoras

Umbral de IoU para verdaderos positivos y falsos positivos

Métricas de evaluación: Precisión, Exhaustividad y mAP

1. ¿Qué mide la Intersección sobre Unión (IoU) en la detección de objetos?

2. ¿Cuál de las siguientes se considera un falso negativo en la detección de objetos?

3. ¿Cómo se calcula la Precisión en la detección de objetos?

Fundamentos de Visión por Computadora

Intersección Sobre Unión (IoU) y Métricas de Evaluación

Cómo se calcula

IoU como métrica para la precisión de las cajas delimitadoras

Umbral de IoU para verdaderos positivos y falsos positivos

Métricas de evaluación: Precisión, Exhaustividad y mAP

1. ¿Qué mide la Intersección sobre Unión (IoU) en la detección de objetos?

2. ¿Cuál de las siguientes se considera un falso negativo en la detección de objetos?

3. ¿Cómo se calcula la Precisión en la detección de objetos?