IOU(Intersection over Union)

개요

IOU(Intersection over Union)는 컴퓨터 비전 분야에서 객체 탐지(Object Detection) 및 이미지 분할(Segmentation) 모델의 성능을 정량적으로 평가하는 대표적인 지표입니다. 예측한 영역과 실제 정답(ground truth) 영역이 얼마나 잘 겹치는지를 수치로 나타내며, 0에서 1 사이의 값을 가집니다. 이 지표는 딥러닝 기반의 객체 인식, 자율주행, 의료영상 분석 등 다양한 응용 분야에서 정밀도를 판단하는 기본 기준으로 활용됩니다.

---

1. 개념 및 정의

IOU는 다음과 같이 계산됩니다:

IOU = (예측 영역 ∩ 실제 영역) / (예측 영역 ∪ 실제 영역)

• 교집합(∩): 예측한 박스와 실제 박스가 겹치는 부분의 면적
• 합집합(∪): 예측한 박스와 실제 박스를 합친 전체 면적

IOU 값이 1에 가까울수록 예측이 정확하며, 일반적으로 0.5 이상일 때 객체 탐지 성공으로 간주합니다.

---

2. 특징 및 해석

IOU 값 범위	해석	의미
0.0 ~ 0.3	거의 겹치지 않음	탐지 실패 수준
0.3 ~ 0.5	부분적 겹침	불완전한 탐지
0.5 ~ 0.7	일반적인 기준 만족	대부분의 AI 객체 탐지에서 통과 기준
0.7 ~ 1.0	매우 정밀한 탐지	고정밀 어플리케이션 적합

자율주행, 의료 영상 등 높은 정확도가 요구되는 분야는 IOU 기준을 0.7 이상으로 설정합니다.

---

3. 주요 활용 분야

분야	설명	적용 예시
객체 탐지	Bounding box 정확도 평가	YOLO, Faster R-CNN, SSD 등
이미지 분할	마스크 예측 정확도 측정	U-Net, Mask R-CNN 등
자율주행 인식	차선, 보행자, 차량 탐지 신뢰성 측정	카메라 기반 인지 시스템
의료 영상 분석	병변, 장기 경계 탐지 정밀도 평가	CT, MRI segmentation

IOU는 다양한 모델 아키텍처 및 평가 기준에서 공통적으로 적용되는 정량적 지표입니다.

---

4. 비교 지표와 관계

지표	설명	IOU와의 관계
Precision	TP / (TP + FP)	IOU 임계값이 TP 판단 기준으로 사용됨
Recall	TP / (TP + FN)	IOU가 낮으면 FN으로 간주됨
mAP (mean Average Precision)	다양한 IOU 임계값에서의 평균 Precision	IOU가 0.5, 0.75 등 기준점으로 활용됨
Dice coefficient	2 * (∩ / 전체 픽셀 수)	Segmentation 평가에서 IOU와 유사

IOU는 mAP, F1-score 등 복합 지표의 계산에 있어 핵심적 판단 기준 역할을 합니다.

---

5. 한계 및 고려사항

항목	설명	대응 방안
작은 객체에 취약	박스가 작을수록 IOU 변화 민감	추가 지표(Dice 등) 병행 사용
다중 객체 상황	오탐/누락 시 IOU 해석이 불안정할 수 있음	객체당 IOU 평균 활용(mIOU)
임계값 설정 문제	임계값에 따라 TP/FP 판단이 달라짐	다양한 IOU 기준 테스트 필요

IOU는 단순하고 직관적이지만, 복잡한 상황에선 다차원 평가와 병행해야 합니다.

---

6. 결론

IOU(Intersection over Union)는 컴퓨터 비전 모델의 위치 정확도를 측정하는 기초이자 핵심 지표로, 특히 객체 탐지와 분할에서 필수적으로 사용됩니다. 직관적인 수학적 정의와 높은 해석력 덕분에 다양한 성능 평가 지표의 기준으로도 활용됩니다. 그러나 상황에 따라 다른 보조 지표와 함께 사용함으로써, 더 정밀하고 신뢰성 있는 성능 평가가 가능해집니다.