Yolov5——评估指标

REstrat

已于 2022-09-15 19:40:59 修改

阅读量8.8k

点赞数 7

文章标签：计算机视觉目标检测深度学习

于 2022-09-15 18:50:11 首次发布

本文链接：https://blog.csdn.net/REstrat/article/details/126873627

版权

IOU (Intersection over Union)

IoU也称为交并比，评价边界框正确性的度量指标，表示detection box（检测框）与ground truth（真实标签）的交集和并集的比值。
在这里插入图片描述
计算公式

P（Precision）准确率

所有预测为正样本的结果中，预测正确的比率。
在这里插入图片描述
对于多目标检测任务，TP（true positive）表示预测出的正确的框，但问题是我们如何判断这个框就是正确的框，预测的框可以画在图片的任何位置，甚至该位置根本就没有对象。
TP（true positive）：对此，Yolo是这样解决的，我们首先要通过模型预测出的框，逐个的与该图像的标注框求IoU，如果与标注框产生的最大IoU大于之前设置好的IoU阈值，并且此预测框对应的标签与通过IoU操作找到的标注框标签一致，便认为此预测框为true positive。
FP（false positive）：反之，如果预测框与所有的框的IoU都没有达到阈值，则认为此预测框是false postive。
因此，FP+TP就是所有的预测框的个数。

R（Recall）召回率

所有预测为正样本的结果中，真的是正样本的概率。
在这里插入图片描述
FN（false negative）：如果与标注框产生的最大IoU大于之前设置好的IoU阈值，并且此预测框对应的标签与通过IoU操作找到的标注框标签不一致
因此，FN+TP就是所有的标注框。

PR曲线（Precision-Recall曲线）

通过逐步调整IoU的threshold得到不同的Precision和Recall的曲线，以Recall为横坐标，Precision为纵坐标组成的曲线。图片来自周志华老师的西瓜书。
在这里插入图片描述
PR图直观地显示出学习器在样本总体上的查全率、查准率.在进行比较时，若一个学习器的PR曲线被另一个学习器的曲线完全“包住”，则可断言后者的性能优于前者，例如图2.3中学习器A的性能优于学习器C；如果两个学习器的P-R曲线发生了交叉，例如图2.3中的A与B,则难以一般性地断言两者孰优孰劣，只能在具体的查准率或查全率条件下进行比较.然而，在很多情形下，人们往往仍希望把学习器A与B比出个高低.这时一个比较合理的判据是比较PR曲线下面积的大小，它在一定程度上表征了学习器在查准率和查全率上取得相对“双高”的比例.但这个值不太容易估算，因此，人们设计了一些综合考虑查准率、查全率的性能度量 “平衡点”(Break-Event Point,简称BEP)就是这样一个度量，它是“查准率=查全率”时的取值，例如图2.3中学习器C的BEP是0.64，而基于BEP 的比较，可认为学习器A优于B.