深度学习评估指标之目标检测——（yolov5 可视化训练结果以及result.txt解析）

1、机器学习模型评估指标总结

机器学习的数据集一般被划分为训练集和测试集，训练集用于训练模型，测试集则用于评估模型。针对不同的机器学习问题（分类、回归、排序、序列预测等），评估指标决定了我们如何衡量模型的好坏。

1、分类任务评估指标

下面的一些是经常用来评价模型好坏的一些指数：准确率、精确率、召回率、F1 Score、P-R曲线、ROC、AUC。

一、Accuracy

这个指标主要是用来指示预测正确的样本数占总样本数的个数。准确率是最简单的评价指标，公式如下：


但是存在明显的缺陷：

当样本分布不均匀时，指标的结果由占比大的类别决定。比如正样本占 99%，只要分类器将所有样本都预测为正样本就能获得 99% 的准确率。
结果太笼统，实际应用中，我们可能更加关注某一类别样本的情况。比如搜索时会关心 “检索出的信息有多少是用户感兴趣的”，“用户感兴趣的信息有多少被检测出来了” 等等。
相应地还有错误率：分类错误的样本占总样本的比例。

from sklearn.metrics import accuracy_score

y_pred = [0, 0, 1, 1]
y_true = [1, 0, 1, 0]
accuracy_score(y_true, y_pred) # 0.5

二、Precision（P）、 Recall® 、 F1

精准率（Precision）也叫查准率，衡量的是所有预测为正例的结果中，预测正确的（为真正例）比例。精度Precision(查准率)是评估预测的准不准(看预测列)

召回率（Recall）也叫查全率，衡量的是实际的正例有多少被模型预测为正例。召回率Recall (查全率)是评估找的全不全(看实际行)

精确率和召回率是一对相互矛盾的指标，一般来说高精准往往低召回，相反亦然。其实这个是比较直观的，比如我们想要一个模型准确率达到 100%，那就意味着要保证每一个结果都是真正例，这就会导致有些正例被放弃；相反，要保证模型能将所有正例都预测为正例，意味着有些反例也会混进来。这背后的根本原因就在于我们的数据往往是随机、且充满噪声的，并不是非黑即白。

为了获得模型优劣，需要综合 P 和 R，平衡点 BEP（Break-Even Point）就是这样一个度量，它是 P=R 时的取值，BPE 越远离原点，说明模型效果越好。由于 BPE 过于简单，实际中常用 F1 值衡量：

三、P-R曲线

在分类时，我们经常需要对学习模型的预测结果进行排序，排在前面的被认为“最可能”是正类样本，排在后面的被认为“最不可能”是正类样本。因此我们往往要在中间设定一个临界值（Threshold），当预测值大于这个临界值时，样本为正类样本，反之为负类样本。

按不同的临界值，将每个样本作为正类样本来预测，就会得到不同的查准率和查全率。如果以查准率为纵轴，以查全率为横轴，那么每设定一个临界值，就可以在坐标系上画出一个点。当设定多个临界值时，就可以在坐标系中画出一条曲线。这条曲线便是 P-R 曲线，如图所示。

P-R 曲线能直观地显示分类算法在整体上的查准率和查全率。当对多个分类算法进行比较时，如果算法 1 的 P-R 曲线完全“外包围”算法 2 的 P-R 曲线，那么处于外侧的算法 1 有着更高的查准率和查全率（双高），这说明算法 1 比算法 2 有着更好的分类性能。

但更一般的情况是，算法之间的 P-R 曲线彼此犬牙交错（见图 1），很难断言二者孰优孰劣，只能在具体的查准率和查全率下做比较。但倘若非要比个高下，该怎么办呢？比较稳妥的办法是比较 P-R 曲线下的面积大小，谁的面积大，从某种程度上就说谁的“双高”比例大，即性能更优

得到 P 和 R 后就可以画出更加直观的P-R 图（P-R 曲线），横坐标为召回率，纵坐标是精准率。绘制方法如下：

from typing import List, Tuple
import matplotlib.pyplot as plt

def get_confusion_matrix(
    y_pred: List[int], 
    y_true: List[int]
    ) -> Tuple[int, int, int, int]:
    
    length = len(y_pred)
    assert length == len(y_true)
    tp, fp, fn, tn = 0, 0, 0, 0
    for i in range(length):
        if y_pred[i] == y_true[i] and y_pred[i] == 1:
            tp += 1
        elif y_pred[i] == y_true[i] and y_pred[i] == 0:
            tn += 1
        elif y_pred[i] == 1and y_true[i] == 0:
            fp += 1
        elif y_pred[i] == 0and y_true[i] == 1:
            fn += 1
    return (tp, fp, tn, fn)
def calc_p(tp: int, fp: int) -> float:
    return tp / (tp + fp)
def calc_r(tp: int, fn: int) -> float:
    return tp / (tp + fn)
def get_pr_pairs(
    y_pred_prob: List[float], 
    y_true: List[int]
	) -> Tuple[List[int], List[int]]:
    ps = [1]
    rs = [0]
    for prob1 in y_pred_prob:
        y_pred_i = []
        for prob2 in y_pred_prob:
            if prob2 < prob1:
                y_pred_i.append(0)
            else:
                y_pred_i.append(1)
        tp, fp, tn, fn = get_confusion_matrix(y_pred_i, y_true)
        p = calc_p(tp, fp)
        r = calc_r(tp, fn)
        ps.append(p)
        rs.append(r)
    ps.append(0)
    rs.append(1)
    return ps, rs

y_pred_prob = [0.9, 0.8, 0.7, 0.6, 0.55, 0.54, 0.53, 0.52, 0.51, 0.505,
               0.4, 0.39, 0.38, 0.37, 0.36, 0.35, 0.34, 0.33, 0.3, 0.1]
y_true = [1, 1, 0, 1, 1, 1, 0, 0, 1, 0, 1, 0, 1, 0, 0, 0, 1, 0, 1, 0]
y_pred = [1] * 10 + [0] * 10
ps, rs = get_pr_pairs(y_pred_prob, y_true)
fig, ax = plt.subplots(nrows=1, ncols=1, figsize=(12, 5))
ax.plot(rs, ps);

如果有多个模型就可以绘制多条 P-R 曲线：

如果某个模型的曲线完全被另外一个模型 “包住”（即后者更加凹向原点），那么后者的性能一定优于前者。

如果多个模型的曲线发生交叉，此时不好判断哪个模型较优，一个较为合理的方法是计算曲线下面积，但这个值不太好估算。

四、ROC曲线

针对样本不均衡，以上 Precision、Recall、F1都很高，但是模型效果却不好，指标很难区分模型的性能，就需要用到ROC和AUC。

ROC 曲线是通过不断移动分类器的“截断点”来生成曲线上一系列关键点的。下面我们来解释“截断点”。很多时候，我们在判断某个样本是正类样本还是负类样本时，并不能“斩钉截铁”地说它“是（100%）”或“不是（0%）”。
很多分类器（比如贝叶斯分类器、神经网络分类器）仅仅会输出一个分类概率，这时可以给定一个截断点（或说阈值概率），如果分类概率大于这个截断点就判断样本为是正类样本，否则就为负类样本。对于一个已经排序的分类概率，不断移动分类器的“截断点”就会生成曲线上的一系列关键点 (FPR,TPR)。这些关键点连接起来恰好就是一条曲线，它就是我们正在学习的 ROC 曲线
引入两个公式TPR(真阳性率)和FPR(假阳性率)
真正类率（true positive rate, TPR），也称为灵敏度(sensitivity)，等同于召回率。刻画的是被分类器正确分类的正实例占所有正实例的比例。

真负类率（true negative rate, TNR），也称为特异度(specificity)，刻画的是被分类器正确分类的负实例占所有负实例的比例。

负正类率（false positive rate, FPR），也称为1-specificity，计算的是被分类器错认为正类的负实例占所有负实例的比例。

理想目标： TPR=1, FPR=0，即图中(0,1)点。故ROC曲线越靠拢(0,1)点，即，越偏离45度对角线越好。对应的就是TPR越大越好，FPR越小越好。

五、AUC

AUC 是 Area Under Curve 的简称，顾名思义，它表示的是“ROC曲线下的面积”。AUC 就是 ROC 曲线下的面积总和，该值能够量化反映分类算法的性能。
计算 AUC 的值并不复杂，只需要沿着 ROC 曲线的横轴做积分（或累加求和）即可。通常，ROC 曲线都位于 y=x 这条线的上方（如果不是这样的，只需要把模型预测概率 P 反转成 1-P 能得到一个更好的分类器）。
因此，AUC 的取值范围一般是 0.5～1。通常来说，AUC 越大表明分类器性能越好，因为它可以把真正的正类样本排在前面，降低误判率。

2、回归任务评估指标

一、均方根称RMSE（Root M Square Error）

计算公式为：

如果有非常严重的离群点时，那些点会影响 RMSE 的结果，针对这个问题：

如果离群点为噪音，则消除这些点

如果离群点为正常样本，可以重新建模

平均误差范围内，MAPE（平均百分比误差）对每个范围进行了一定程度的影响。

二、平均绝对误差 Mean Absolute Error

平均绝对误差是一个非常直观的指标。它是预测值和真实值之间的平均距离。为了避免错误相互抵消，取计算绝对值。最好的模型通常是 MAE 最低的模型。

尽管解释起来很简单，但 MAE 有一些缺点。它不会告诉模型是否倾向于高估或低估，因为取绝对值会破坏任何方向信息。此外，该指标可能对异常值不敏感

2、深度学习模型评估指标总结

一、性能评估指标

1、IOU（Intersection over Union ）

交并比（IoU）则表示预测的边界框与真实（Ground Truth）的边界框的重叠程度，数值越大表示该检测器的性能越好。

2、AP (Average Precision)

3、mAP

在目标检测任务中，结合上面讲的 IoU 阈值来判断其真阳性（TP）、假阳性(FP)，从而来计算精度（Precision），比如：

要计算 mAP，首先要计算每个类别的 AP。所有类的 AP 的平均值是 mAP。如下步骤：
① 使用模型生成预测分数；

② 将预测分数转换为类标签；

③ 计算其混淆矩阵 - TP FP TN FN；

④ 计算精度（P|Precision）以及召回率（R|Recall）；

⑤ 画出 P-R 的曲线，并计算 P-R 曲线下的面积；

⑥ 计算平均精度（AP）。

从上面的计算方式，我们可以看出：mAP 结合了精度（Precision）和召回率（Recall）之间的权衡，并考虑了假阳性（FP）和假阴性（FN），故而此属性使得 mAP 成为了大多数检测模型性能的合理评价指标。

我们再重新过一遍计算方法：给定一组IOU阈值，在每个IOU阈值下面，求所有类别的AP，并将其平均起来，作为这个IOU阈值下的检测性能，称为mAP(比如mAP@0.5就表示IOU阈值为0.5时的mAP)；最后，将所有IOU阈值下的mAP进行平均，就得到了最终的性能评价指标：mmAP。

4、平均对数漏检率(log-average miss rate）

平均对数漏检率(log-average miss rate)常用的行人检测评价指标，均是目前主流的判断行人检测器优劣的标准。

1. 平均对数漏检率(log-average miss rate) (Dollár等，2012)。该指标通过同时计算MR(miss rate)和每幅图误检个数(false positives per image，FPPI)衡量行人检测器性能。MR计算为
   
   式中，TP(true positive)表示预测正确的行人目标个数，N表示真实行人目标总数。通过绘制MR-FPPI曲线，平均对数漏检率为9个FPPI值下的平均MR值，记为MR-2，其中9个点是对数区间[10-2, 100]上的均匀采样。MR-2表示在指定误检率的情况下行人检测器的漏检率。MR-2越低，表示模型漏检率越低，检测性能越好。
   FPPI（False Positive Per Image）描述每张图片的平均误检率。假设有N张图片，结果中的误检数量为FP，则
   
   MR（Miss Rate）描述检测检测结果中的漏检率的指标，即 ，该指标越小越好 。
   
   MR-FPPI与目标检测所用的Precious-Recall类似，都是两个互斥的指标，一个性能的提升必然会带来另一个性能的下降，可以反映检测器的整体性能。由于在行人检测中每幅图像的FPPI上限与行人的密度有关系，所以在行人检测领域采用MR-FPPI曲线比Precious-Recall曲线更加合理。
   采用FPPI为横坐标， 为纵坐标的曲线中，均匀选取 范围内的9个FPPI，得到他们对应的9个值，并对这几个纵坐标值进行平均，最后通过指数运算上述平均值恢复为MR的百分比形式，就获得了用来量化MR-FPPI曲线的 指标，该指标越小代表检测器性能越高
   关于 这个指标，有一些详细的内容要记录，首先自己做了快一年的行人检测，也是最近才弄懂这个指标的含义。具体的理解还得参照这篇论文Pedestrian Detection: An Evaluation of the State of the Art

3、yolov5 可视化训练结果以及result.txt解析

1.可视化训练结果解析

box_loss：推测为GIoU损失函数均值，越小方框越准；
obj_loss：推测为目标检测loss均值，越小目标检测越准；
cls_loss：推测为分类loss均值，越小分类越准；
Precision：精度（找对的正类/所有找到的正类）；
Recall：召回率（找对的正类/所有本应该被找对的正类）；
mAP@0.5 & mAP@0.5:0.95：就是mAP是用Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值，@0.5:0.95表示阈值取0.5:0.05:0.95后取均值。
一般训练结果主要观察精度和召回率波动情况.
（波动不是很大则训练效果较好）
然后观察mAP@0.5 & mAP@0.5:0.95 评价训练结果