本文主要介绍目标检测领域一些常用的评估指标,希望对你有用
1.交并比(IOU)
交并比(Intersection over Union,简称IOU)是一个用于评估物体检测性能的指标。它计算了预测的边界框(bounding box)与真实边界框的交集面积与并集面积的比值。
计算公式如下:
IOU(A, B) = |A ∩ B| / |A ∪ B|
其中:
- A 和 B 是两个边界框,通常在图像中表示为四边形的坐标。
- |A ∩ B| 表示 A 和 B 的交集面积,即两个边界框重叠部分的面积。
- |A ∪ B| 表示 A 和 B 的并集面积,即两个边界框完全包含在对方内的面积。
IOU 值越大,表示预测的边界框与真实边界框的重叠度越高,模型性能越好。通常,IOU 值在物体检测任务中需要达到一定的阈值(如0.5或0.7),才能认为预测的边界框是正确的。
如下图所示
A和B的交集比上A和B的并集就是交并比
交并比的作用如下,介绍之前先介绍一下,置信度这个概念,目标检测中,每个预测框都会被分配一个置信度分数,这个分数是通过网络输出的框框得分(box score)和物体类别得分(object score)进行加权得到的。以YOLO为例,置信度是一个介于0和1之间的数值,表示模型对其所预测到的目标存在的确信程度。如果置信度接近1,那么模型会非常确信该预测框中存在目标对象;反之,如果置信度接近0,则模型认为该框中可能不存在目标。就好比期末考试10分的题目,有些同学打9分有些同学只能打8分这个意思。
IOU如何起作用呢,在下图中红色框是人工标注的人脸框,绿色的是预测的人脸框这个时候计算两个框的IOU值,假如大于0.5(可以自己调)就是TP,可以保留这个框。
2.非极大值抑制(NMS)
按照上文所说会得到很多的预测框,但是实际上只能保留一个,这个时候就需要NMS来消除冗余的目标框,其步骤如下;
- 在Bounding Box列表中,首先选择置信度最高的目标框A。
- 将与A的IoU超过阈值的目标框从Bounding Box中去除,并将A标记并移入保留框列表中。
- 重复步骤1和步骤2,直到Bounding Box列表为空为止。
2.AP
AP(Average Precision):识别正确的样本数占识别样本总数的百分数,对应着PR曲线下面的面积。在目标检测任务中,AP是一个重要的评估指标,用于衡量模型的性能。
AP的计算过程如下:
- 首先,对所有的预测框按照置信度进行降序排列。
- 然后,从排序后的列表中选择第一个框作为当前目标框,将其标记为正样本。
- 接下来,计算当前目标框与所有真实目标框的IoU(Intersection over Union),并找出IoU大于阈值的目标框。
- 如果存在这样的目标框,则将当前目标框从列表中移除,并将其标记为负样本;否则,将当前目标框移入保留框列表中。
- 重复步骤3和步骤4,直到Bounding Box列表为空为止。
- 对于每个保留框,计算其对应的召回率(Recall)和精确率(Precision)。召回率表示该框被正确识别为正样本的比例,精确率表示该框被正确识别为正样本的概率。
- 将所有保留框的精确率相加,然后除以保留框的数量,得到平均精确率。
- 最后,将所有保留框的平均精确率相加,然后除以总的保留框数量,得到AP值。
3.mAP
mAP,全称为mean Average Precision,中文为平均精度均值,是目标检测算法的主要评估指标。它是预测样本中正样本的平均精确度,用于计算各类别的检测框数量和精度。具体来说,mAP的计算涉及到每个类别的AP(Average Precision)值,即PR曲线下的面积,然后对这些AP值求平均值。
在实际应用中,mAP值越高,表明该目标检测模型在给定的数据集上的检测效果越好。因此,当我们在选择或评价目标检测模型时,通常会关注其速度和精度(即mAP),速度指的是模型的运行速度,精度则是指模型的检测结果的准确性。
mAP@0.5: mean Average Precision(IoU=0.5)
即将IoU设为0.5时,计算每一类的所有图片的AP,然后所有类别求平均,即mAP。
mAP@.5:.95(mAP@[.5:.95])
表示在不同IoU阈值(从0.5到0.95,步长0.05)(0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95)上的平均mAP。
暂时介绍到这里,期待后续!!