深度学习评判指标

最新推荐文章于 2023-11-10 11:22:51 发布

I'mFAN

最新推荐文章于 2023-11-10 11:22:51 发布

阅读量701

点赞数 1

分类专栏：深度学习文章标签：深度学习目标检测计算机视觉

本文链接：https://blog.csdn.net/qq_44177768/article/details/127140581

版权

深度学习专栏收录该内容

5 篇文章 0 订阅

订阅专栏

目标检测mAP计算以及coco评价标准_哔哩哔哩_bilibili

1. IoU(Intersection over Union)

并交比（Intersection over Union）函数，可以用来评价对象检测算法，判断对象检测算法运作是否良好 IOU = (A ∩ B / A ∪ B)

在对象检测任务中，希望能够同时定位对象，所以如果实际边界框是红色的，算法给出这个紫色的边界框 两个边界框的并集是绿色区域，就是属于包含两个边界框区域（绿色阴影表示区域）所以交并比（loU）函数做的是计算两个边界框交集和并集之比，而交集就是这个比较小的区域（黄色阴影表示区域）那么交并比就是交集的大小，这个黄色阴影面积，然后除以绿色阴影的并集面积

一般约定，在计算机检测任务中，如果loU≥0.5，那么结果是可以接受的，就说检测正确，如果预测器和实际边界框完美相同大小，就预示着交集要大于三分之二 如果预测器和实际边界框完美重叠，loU就是1，因为交集就等于并集

2. 目标检测

1. TP：True positive （预测正确）
所有预测框与真实框的 IOU > 预设IOU值（一般为0.5），并且要满足同一个Ground Truth 只计算一次。（比如下图中的红色cat 0.9）
2. FP：False Positive（假阳性）
IOU < = IOU阈值的检测框数量，或者是检测到同一个GT的多余检测框的数量。（比如cat 0.3）
3. FN：False Negative（漏检）
没有检测到GT的数量（漏检，比如下图右下角的猫）
4. TN：True negative（不怎么需要）
IOU < IOU阈值，没有被检测到，GT也没有标注的数量（本来就是负样例，分类也是负样例）

5. Precision（查准率）
模型预测的所有目标中，预测正确的比例。预测框总量中，预测框与GT的IOU大于阈值的比例。查的准不能代表网络效果好，因为可能存在漏检。如下图，TP为1，FP为0，准确率为100%

6. Recall （召回率，查全率）
代表所有真实目标中，模型预测正确的比例。（查看漏检的情况），当然也不能只看Recall来判定模型的好坏，如下图所示，Recall为100%，FN为0

由于单看Precision和Recall无法判定模型好坏，由此引出一下评判指标
7. F1分数（F1-Score，平衡F分数）：

定义为准确率和召回率的调和平均数。
8. AP （Average Precision ,平均精度）: P-R 曲线下面积
P-R曲线，Precision-Recall 曲线
AP是由PR曲线面积得到的：近似计算或者插值计算

9. mAP : mean Average Precision，即各类别AP的平均值
COCO 数据集，设定多个 IOU 阈值（0.5-0.95,0.05为步长），在每一个IOU阈值下都有某一类别的 AP 值，然后求不同 IOU 阈值下的 AP 平均，就是所求的最终的某类别的AP值。

10.检测速度

前传耗时(ms):从输入一张图像到输出最终结果所消耗的时间，包括前处理耗时(如图像归一化)、网络前传耗时、后处理耗时(如非极大值抑制)
每秒帧数FPS (Frames Per Second):每秒钟能处理的图像数量
两者高度依赖于软硬件情况，不同机器，不同环境，差异非常大
浮点运算量(FLOPS):处理一张图像所需要的浮点运算数量,跟具体软硬件没有关系,可以公平地比较不同算法之间的检测速度。

最好的方法，就是在相同的软硬件下，确定的应用环境下，比较不同算法的检测速度