YOLOv8入门 | mAP、FPS、F1score重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】

长发和小虎牙

已于 2024-07-26 11:22:20 修改

阅读量7.9k

点赞数 47

分类专栏： YOLOv8入门改进发论文文章标签： YOLO 人工智能 python 目标检测卷积神经网络深度学习 yolov8

于 2024-07-26 11:17:00 首次发布

本文链接：https://blog.csdn.net/kay_545/article/details/140705088

版权

💡💡💡本专栏所有程序均经过测试，均可成功执行💡💡💡

专栏地址：YOLOv8从入门改进到发论文——点击即可跳转订阅专栏不迷路

在深度学习目标检测领域，YOLOv8成为了备受关注的模型之一。在发论文之前我们需要对YOLOv8的实验结果进行详细的分析。以此来证明我们改进的有效性。这就涉及到了实验结果重要性能的衡量指标。本文将手把手教学如何对YOLOv8的结果分析和重要性能指标进行分析，以帮助您更好地学习深度学习目标检测YOLO系列的挑战，发表更加优质的论文。

我们将重点讨论以下内容：

混淆矩阵，F1分数，查准率，查全率，PR曲线，wandb可视化，影响mAP的因素等

2.2 混淆矩阵——Confusion Matrix

2.3 F1分数——F1-score

2.4 可视化文件——events.out.tfevents

2.5 args.yaml

2.6 P曲线——P_curve

2.8 PR曲线——PR_curve

2.9 result——损失函数、mAP可视化结果

2.10 数据集信息——label.jpg

3.影响mAP的因素

4. 优化策略

1. 重要性能衡量指标

1.1 混淆矩阵

混淆矩阵是用于评估分类模型性能的一种表格形式。它将模型的预测结果与真实标签进行比较，并将它们分类为四种不同的情况：真正例 (True Positive, TP)、真负例 (True Negative, TN)、假正例 (False Positive, FP) 和假负例 (False Negative, FN)。

在混淆矩阵中，行表示实际类别，列表示预测类别。这个矩阵的一个简单示例是：

	Predicted Negative	Predicted Positive
Actual Negative	TN	FP
Actual Positive	FN	TP

其中：

TP（真正例）：模型正确地将猫标记为猫的数量。例如，图像中确实有一只猫，而模型也成功地将其检测为猫。
TN（真负例）：模型正确地将非猫标记为非猫的数量。例如，图像中没有猫，而模型也正确地将其识别为非猫【其他类别】。
FP（假正例）：模型错误地将非猫标记为猫的数量。例如，图像中没有猫，但模型错误地将一只狗误判为猫。
FN（假负例）：模型错误地将猫标记为非猫的数量。例如，图像中有一只猫，但模型未能将其识别为猫。

1.2 查准率，查全率，F1-Score

Metric	Formula	Purpose
准确率 (Accuracy)	（TP+TN）/（TP+TN+FP+FN）	准确率是指模型正确预测的样本数量与总样本数量之比。
精确率 (Precision)	TP / (TP+FP)	评估模型在预测为正例的样本中的准确程度
召回率 (Recall)	TP / (TP+FN)	评估模型对正例的预测能力
F1 分数 (F1 Score)	(2×Precision×Recall) / (Precision+Recall)	综合考虑精确率和召回率的调和平均值，综合评估模型的性能