一、精度评价指标
0.目标检测算法混淆矩阵的绘制方法
通常,目标检测算法使用 IoU 来匹配预测边界框与真实边界框,设定一个IoU阈值,只有当预测框与真实框的IoU超过这个阈值时,才认为是有效匹配。
1.平均精度(Average Precision, AP)
评价单一类别的平均精确率,是 Precision-Recall 曲线下的面积。通过遍历不同阈值的IoU值绘制PR曲线。
2.平均精度均值(Mean Average Precision, mAP)
评价所有类别的平均精确率。N是总的类别数量,APi是第i个类别的AP值。
3.精确率(Precision)
评价算法预测的精确率,预测为正例中真正为正例的比例。
4.召回率(Recall)
评价算法预测的漏检率,所有实际正例中被正确识别出来的比例。
5.交并比(Intersection over Union, IoU)
衡量预测框与真实框重叠程度的指标,通常用于确定预测是否正确。值越高,预测目标位置越接近真实目标位 置,预测框更加精确。
二、速度评价指标
1.每秒处理帧数(Frames Per Second, FPS)
评价模型处理图像的速度,对于实时应用至关重要。
三、其他指标
1.False Positive Rate(假阳性率,FPR)
错误预测为正例的样本占所有实际负例的比例。FPR帮助评估模型在预测中将背景或非目标区域错误地识别为目标的频率。在目标检测任务中,假阳性通常表现为模型预测了实际上不存在目标的边界框。
2.GIoU、DIoU、CIoU
这些是IoU的改进版本,旨在解决特定问题。
2.1 GIoU(Generalized Intersection over Union)
GIoU主要解决的问题是在目标检测中,当预测框与真实框不相交或重叠很少时,传统IoU值无法提供足够的反馈进行有效优化。
GIoU在IoU的基础上增加了一个惩罚项,考虑了预测框与真实框最小外包矩形的未重叠区域。它解决了当预测框与真实框完全不相交时IoU为0,无法反映两者距离的问题。其中,PB代表预测框(Prediction Box), GTB代表真实框(Ground Truth Box),C 是最小外包矩形的面积。
2.2 DIoU(Distance-IoU)
DIoU进一步针对边界框中心点距离的问题,能够更好地处理框的位置偏差,尤其是在目标之间距离较远或形状差异较大的情况下。
DIoU在GIoU的基础上进一步加入了预测框与真实框中心点之间的欧氏距离作为惩罚项,以加速收敛速度并更好地处理宽高比不同的情况。
2.3 CIoU(Complete Intersection over Union)
解决由于预测框形状与真实框不匹配导致的优化问题。
CIoU是DIoU的进一步扩展,不仅考虑了中心点距离和最小外包矩形的未重叠区域,还加入了边界框的宽高比惩罚项,以解决宽高比不一致的问题。CIoU被认为是最全面的IoU变体之一。
其中,v 是预测框和真实框的重叠部分的宽高比差异,α 和 β 是超参数,w 和 h 分别代表宽度和高度。