YoloV5相关性能指标解析

YoloV5相关性能指标解析

1，Precision(查准率/精确率)

所有预测为正样本的结果中，预测正确的比率。

Precision = TP / (TP + FP)

2，Recall (查全率/召回率)

所有正样本中被正确预测的比率。

Recall = TP / (TP + FN)

	正样本	负样本
预测为正	True Positive(TP)	False Positive(FP)
预测为负	False Negative(FN)	True Negative(TN)

3，PR曲线（Precision-Recall）

即以Recall为横坐标，Precision为纵坐标组成的曲线

4，AP（Average Precision：PR曲线下面积）

AP：平均精度
(1) VOC2010之前

AP = 1/11 ∑ Max(p(r))    r∈{0,0.1,...,1} 
r：召回率
Max(p(r))：在r点的最大precision值
(Recall >= r时，选取Recall对应的precision的最大值作为在r点的precision)

(2)VOC2010之后

AP = 1/n ∑ Max(p(r(k)))*(r(k)-r(k-1))    r∈{0,r(0),r(1),...,r(k),1} 
r(k)：第k大的召回率
Max(p(r(k)))：在r点的最大precision值
(Recall >= r(k)时，选取Recall对应的precision的最大值作为在r点的precision)

5，mAP（mean Average Precision）

mAP：各类别AP的平均值

mAP = 1/m ∑AP(i)  i∈[0,m),i∈N+
m：类别数
AP(i)：第i类类别的平均精度

5.1，IoU（Intersection over Union）

IoU也称作交并比，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。

5.1，mAP@0.5（IoU=0.5）

TP：IoU>0.5 的检测框数量（同一GT只计算一次）
FP：IoU<=0.5 的检测框数量，或检测到同一个 GT 的多余检测框的数量
因此，Precision和Recall可以表示为：

Precision = TP / all detection boxes
Recall = TP / all ground truths

5.2，mAP@0.5:0.95

表示在不同IoU阈值（从0.5到0.95，步长0.05）上的平均mAP。
(0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95)

6，F1-score

F1-score = 2(Precision × Recall )/(Precision + Recall)

7，GIoU loss/ BECWithLogits loss

7.1 GIoU loss

计算预测边框损失，将预测边框和真实边框进行对比。

C表示可以包围住(A U B)面积的最小框，其中C \ (A U B)表示用C框的面积减去(A U B)的面积。

7.2 BECWithLogits loss

计算objectness score和class probability score的损失，结合了Sigmiod和BCELoss函数。

BCEWithLogitsLoss = Sigmoid + BCELoss

计算公式为：