目标检测经典算法1——指标分析

    You Only Look Once (YOLO)

one-stage算法：最核心的优势：速度非常快，适合做实时检测任务 

map：综合检测效果，就是把精度和召回率综合到一起了，是P-R图的曲线下方的面积。

precision（精度）指预测值和真实值越重叠的两个框框越重叠越好，recall（召回率）指原图像中要检测的物体是不是都检测出来了。

IOU：Intersec over Union，交集与并集的比值，IoU越高，越重叠，效果越好

蓝色框是真实值，红色框是预测值

IOU损失：IOU和IOU损失是两码事，IOU损失LIOU = 1 - IOU 

同理，GIOU和GIOU损失（LGIOU）也是两码事， LGIOU = 1 - GIOU

 

 精度：真正的正样本与预测为正的样本的比值，即预测为正的样本中，真正的正样本的占有多少，预测结果中真正的正例的比例。

召回率：正确预测的正例与实际上正例总数的比值，即所有正例中被正确检测出来的比例。

在一个数据集检测中，会产生4类结果TP、TN、FP、FN

T---true表示正确，F--false表示错误

P--positive表示积极的，看成正例，N--表示消极的，看成负例。

TP：预测对了，本来为正例，预测为正例，FP：预测错了，本来为负例，预测为正例。

TN: 预测对了，本来为负例，预测为负例，FN：预测错了，本来为正例，预测为负例。

TP+FP：预测为正的样本总数（包含正确的预测和错误的预测）

TP+FN：实际上的正例样本数

TN+FN：预测为负例的样本总数（包含正确的预测和错误的预测）

TN+FP：实际负例样本总数

需要寻找的目标我们叫它为正例，例如：

 例子中要寻找的女生为正例，男生为负例。

检测任务中精度和召回率分别代表什么？

 精度：人脸检测中，预测框和真实框接近程度

召回率：有没有被正确检测出来，如第二幅图，IoU没有交集，召回率低。

 置信度阈值指： 当前检测的框（人脸），是人脸的可能性有多大。低于指定置信度的检测结果会被过滤掉。上图中第二、三幅图会被过滤掉。 

所以只剩第一幅图，TP=1(本来是人脸，判断为人脸)，FP=0（本来不是人脸，判断为人脸）, TP+FP = 1（检测为人脸的样本总数）。

FN=2（本来是人脸，检测判断为不是人脸）有人脸但没检测到，过滤掉的2幅图即为FN样本数。

Recall = TP/TP+FN = 1/3, precision = TP/TP+FP = 1.

MAP: 就是P-R曲线下方的面积 ，所有类别A、P的平均。