중첩 분석

두 감지 집합 간의 쌍별 중첩을 계산합니다.

두 감지 집합 간의 쌍별 기하학적 겹침을 계산합니다.

다음에서 가져온 각 쌍(참조, 후보)에 대해 reference_predictions x candidate_predictions, 이 블록은 다음을 계산합니다 intersection_area / reference_polygon.area 그리고 비율이 다음 값에 도달하는 각 쌍마다 하나의 레코드를 출력합니다 min_overlap.

감지가 마스크를 포함하는 경우, 정확한 폴리곤은 해당 마스크의 가장 긴 윤곽선입니다(shapely로 검증됨). 그렇지 않으면 경계 상자 폴리곤이 사용됩니다. 벡터화된 bbox-IoU 사전 필터(supervision.box_iou_batch)은 shapely 교차 계산이 수행되기 전에 서로 닿지 않는 쌍을 제거합니다.

관계는 의도적으로 대칭이 아닙니다 두 입력 간에: 분모는 항상 참조 감지의 면적입니다. 다른 집합을 기준으로 겹침을 보고하려면 두 선택자를 서로 바꾸세요.

출력은 입력과 동일한 차원에 연결된 dict의 평평한 목록(허용된 쌍당 하나)입니다 - 이 블록은 차원을 증가시키지 않습니다. 다음을 참조하세요 detections_overlaps 의 kind 문서에서 각 레코드의 스키마를 확인하세요.

유형 식별자

step에서 다음 식별자를 사용하세요 "type" 필드: roboflow_core/overlap_analysis@v1 를 워크플로에 단계로 추가합니다.

속성

이름	유형	설명	참조
name	str	이 단계에 고유 식별자를 입력하세요..	❌
min_overlap	실수	쌍이 출력에 포함되기 위한 최소 (intersection / reference_area) 비율입니다..	✅

해당 참조 열은 워크플로 런타임에서 사용할 수 있는 동적 값으로 속성을 매개변수화할 수 있음을 나타냅니다. 자세한 내용은 워크플로 런타임. 자세한 내용은 바인딩 를 참조하세요.

입력 및 출력 바인딩

사용 가능한 연결은 바인딩 종류에 따라 달라집니다. 어떤 바인딩 종류가 있는지 확인하세요 겹침 분석 버전 v1 가 있습니다.

입력 및 출력 바인딩

• 입력

  • reference_predictions (Union[instance_segmentation_prediction, object_detection_prediction]): 겹침 비율의 분모가 되는 면적을 가진 감지입니다. 각 참조 감지에 대해 모든 후보와의 겹침이 계산되며, 다음보다 큰 쌍은 min_overlap 출력에 나타납니다..

  • candidate_predictions (Union[instance_segmentation_prediction, object_detection_prediction]): 각 참조와 비교하여 검사되는 감지입니다..

  • min_overlap (float_zero_to_one): 쌍이 출력에 포함되기 위한 최소 (intersection / reference_area) 비율입니다..

• 출력

  • 겹침 (detections_overlaps): 쌍별 감지 겹침 레코드의 목록입니다.

예시 JSON 정의

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/overlap_analysis@v1",
	    "reference_predictions": "$steps.model_a.predictions",
	    "candidate_predictions": "$steps.model_b.predictions",
	    "min_overlap": 0.1
	}