【目标检测】YOLOv5算法实现(六)：评价指标及实现

  本系列文章记录本人硕士阶段YOLO系列目标检测算法自学及其代码实现的过程。其中算法具体实现借鉴于ultralytics YOLO源码Github，删减了源码中部分内容，满足个人科研需求。
  本系列文章主要以YOLOv5为例完成算法的实现，后续修改、增加相关模块即可实现其他版本的YOLO算法。

文章地址：
YOLOv5算法实现(一)：算法框架概述
YOLOv5算法实现(二)：模型搭建
YOLOv5算法实现(三)：数据集加载
YOLOv5算法实现(四)：正样本匹配与损失计算
YOLOv5算法实现(五)：预测结果后处理
YOLOv5算法实现(六)：评价指标及实现
YOLOv5算法实现(七)：模型训练
YOLOv5算法实现(八)：模型验证
YOLOv5算法实现(九)：模型预测

0 引言

  本篇文章实现目标检测评价指标的实现，主要包含以下几个指标：
   空间复杂度：参数量( Parameters )
   时间复杂度：浮点运算数( FLOPs )
   精度：精确率( P )、召回率( R )、混淆矩阵; 均值平均精度( mAP )

图1 模型验证流程   模型精度的评价指标计算方法如下:

$$P=\frac{TP}{TP+FP}$$
$$R=\frac{TP}{TP+FN}$$
$$\mathrm{m}AP=\frac{\sum AP}{N}$$
$TP$表示预测为正样本且实际为正样本数量，$FP$表示预测为正样本但实际为负样本数量。在目标检测中，根据IoU阈值和类别对预测结果进行和实际标签的匹配，若匹配成功则该检测结果视为$TP$，反之则视为 F P FP