IoU (Intersection over Union)
L’Intersection over Union (IoU) est une métrique de performance en vision par ordinateur utilisée pour évaluer la qualité d’une prédiction de détection ou de segmentation d’objet. Elle mesure le rapport entre l’aire de l’intersection et l’aire de l’union entre la boîte englobante prédite et la boîte de vérité terrain (ground truth).
Contexte
Très utilisée dans les tâches de détection d’objets (object detection) et de segmentation sémantique, l’IoU fournit une mesure simple et intuitive : plus la valeur est proche de 1, plus la prédiction correspond parfaitement à la vérité terrain. Les benchmarks (comme PASCAL VOC ou COCO) définissent souvent un seuil (par exemple IoU ≥ 0.5) pour considérer une détection comme correcte.
Exemples d’utilisation
- Voitures autonomes : valider la détection des piétons ou feux de circulation.
- Santé : évaluer la précision des modèles de segmentation d’images médicales.
- Applications industrielles : contrôle qualité par vision artificielle.
Avantages et limites
- ✅ Interprétation intuitive et normalisée.
- ✅ Largement adoptée dans les compétitions et standards.
- ❌ Un seul seuil peut être trop simpliste (IoU = 0.49 = “échec”).
- ❌ Moins adaptée à la détection d’objets très petits.
L’IoU est apprécié car il offre une mesure normalisée et facile à interpréter : plus la valeur se rapproche de 1, plus la prédiction correspond fidèlement à la vérité terrain. C’est pour cette raison qu’il est devenu un critère incontournable dans les compétitions et benchmarks de vision par ordinateur.
Au-delà de la recherche, l’IoU est également utilisé dans des applications industrielles. Dans la robotique, par exemple, il permet de vérifier la précision des algorithmes de détection d’objets avant leur intégration dans des systèmes de manipulation automatisée. Dans le médical, des seuils plus stricts (≥0,9) sont requis, car une petite erreur de segmentation peut avoir des conséquences graves.
Cependant, l’IoU n’est pas exempt de limites. Il pénalise fortement les prédictions légèrement décalées et se révèle peu adapté à l’évaluation des objets de petite taille ou fortement chevauchés. Pour pallier ces problèmes, de nouvelles variantes comme le GIoU, DIoU ou CIoU offrent une mesure plus nuancée, prenant en compte la distance entre boîtes ou leur aspect global.
📚 Références
- Everingham, M. et al. (2010). The PASCAL Visual Object Classes (VOC) Challenge.
- IoU in AI: Key to Precision in Computer Vision, Innovatiana
