从零开始yolo学习
水jiajiajiajia
神龙摆尾,日复一日
展开
-
MAP指标分析
在目标检测任务中,MAP通常用于衡量模型对多个目标类别的性能,而不仅仅是一个类别。通过计算每个类别的精确率-召回率曲线下的面积(Area Under the Precision-Recall Curve,AUC-PR),然后对所有类别的AUC-PR进行平均,得到MAP分数。这个指标结合了精确率(Precision)和召回率(Recall),用于衡量模型在不同类别目标上的检测准确性和覆盖率。因此,在目标检测中,MAP是一个重要的性能度量标准,用于比较不同模型或算法的效果,并帮助选择最佳的目标检测模型。原创 2023-09-12 16:36:44 · 164 阅读 · 0 评论 -
Accuracy(准确率)Precision(精准率)Recall(召回率) F1值
而在不同的模型中,侧重不同的评估指标,例如预测病人是否有病,那则不能放过一个病人,于是更看重召回率。当然也有一些领域更看重精准率,比如一些搜索引擎,为提高效率,更看重精准率,即你所搜到的就是你想要的。由于这两个指标侧重点不同,F1值便是精准率和召回率的调和。如图所示有一个分类器,可以预测是否为汉堡的图片。以上三个问题即对应了准确率,精确率和召回率。3.有多少张应该返回的图片没有找到?2.返回的图片中正确的有多少?1. 分类器到底分对了多少?原创 2023-09-12 15:26:41 · 106 阅读 · 0 评论 -
NOn Max Suppression(非最大值抑制)
非最大值抑制(Non-Maximum Suppression,简称NMS)是在计算机视觉和目标检测中常用的技术,用于后处理目标检测算法的结果,特别是在多个边界框(bounding box)被生成用于同一个物体的情况下。,当iou大于这个阈值的时候,我们就可以清理掉0.6的框,然后我们继续计算0.9的框和0.3的框的iou,这样一来,就可以清理掉这些边界框了。如图,我们有一个带有对象的图像,我们将获得该对象的一些边界框预测,我们希望有一种方法来清理这些边界框。原创 2023-09-12 11:16:10 · 333 阅读 · 0 评论 -
Union的交集解释和PyTorch实现
接下来介绍的是如何评估边界框预测,也就是我们现在有一个对象的一些目标边界框,而且我们还有一些相对应的预测边界框,我们希望有一些方法可以量化,或者测量我们的预测边界框的效果如何。为此我们将学习一个称为交并集的度量标准,然后我们还将再pytorch中实现它。原创 2023-09-11 22:42:22 · 131 阅读 · 0 评论 -
深度学习中的目标检测简介
为了理解对象检测,我们将从对象定位开始。对于一张图像,为了能够定位对象,我们首先要该对象是什么。在这种情况下是猫,我们还想为该特定对象提供一个边界框,然后说该边界框对应于一只猫,因此对象定位就是找到什么,以及在哪里,图像中存在单个对象,因此我们只能有一个对象。现在对象检测另一方面是查找图像中多个对象的内容和位置,以便进行图像分类(最简单的任务)。图像分类可能只想说出图像中的内容,但是对于对象定位中,我们还想说出该特定对象在图像中的位置。原创 2023-09-11 18:32:00 · 107 阅读 · 0 评论