小白入门-深度学习模型常用评估指标（二）

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；

1. 在Bounding Box列表中，首先选择置信度最高的目标框A。
2. 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。
3. 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：

1. 首先，对所有的预测框按照置信度进行降序排列。
2. 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。
3. 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。
4. 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。
5. 重复步骤3和步骤4，直到Bounding Box列表为空为止。
6. 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。
7. 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。
8. 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！！