YOLO全系列讲解！（论文以及项目归纳）

YOLO系列

一、物体检测评估指标

1. IOU

1）IOU的概念

• IOU的定义

  • IOU（Intersection over Union）: 是一种测量两个边界框重叠度的指标，即交集与并集的比值。

  • 计算方式:

    交集面积并集面积\frac{交集面积}{并集面积}并集面积交集面积，取值范围为0到1，值越大表示重叠度越高。

2）IOU的应用

• 在物体检测中的应用
  • 作用: 评估模型预测的边界框与真实边界框之间的重叠程度，是物体检测等任务中的重要评估指标。
  • 应用实例: 在模型预测中，IOU用于判断预测框与真实框的匹配程度，从而评估模型性能。

2.TP、FP、TN、FN

1）TP

• 定义: True Positive，表示正确地将正例预测为正例。
• 条件:
  • IOU（Intersection over Union）满足预值，通常默认为0.5。
  • 置信度满足预值，即预测为物体的可能性高。
• 举例: 预测一个物体，其预测框与真实框的IOU大于0.5，且置信度高于设定的阈值，则此预测为TP。

2）FP

• 定义: False Positive，表示错误地将负例（背景）预测为正例。
• 条件:
  • 置信度满足，但IOU不满足预值。
  • 或置信度和IOU都满足，但预测类别与真实类别不同。
• 举例:
  • 预测一个不存在的物体，或者预测框与任何真实框的IOU都小于0.5，但置信度很高，则此预测为FP。
  • 预测框与某个真实框的IOU大于0.5，但预测类别错误，如将人脸预测为狗脸，也为FP。

3）TN

• 定义: True Negative，表示正确地将负例（背景）预测为负例。
• 说明: 在物体检测任务中，背景通常不需要特别预测，因此TN不是主要关注的指标。

4）FN

• 定义: False Negative，表示错误地将正例预测为负例，即漏检。
• 举例: 真实存在一个物体，但没有任何预测框与其匹配，或者预测框的置信度低于阈值，导致该物体未被检测出，则为FN。
• 重要性: FN是检测任务中需要特别关注的指标，因为它代表了漏检的情况，可能对实际应用产生严重影响。

3. 精度与召回率

1）精度

• 定义：精度（Precision）表示预测为正样本的实例中，真正为正样本的比例。
• 计算方式：$Precision=\genfrac{}{}{0ex}{}{}{TP+FP}$