初步逐步剖析YOLO系列之指标分析

本文仅用作个人学习笔记

深度学习的经典检测算法：

       两阶段：Faster-rcnn Mask-Rcnn系列，即多加了一个预选的系列，再通过一系列CNN得出输出结果。

       一阶段：yolo系列，即直接通过一系列CNN得出输出结果。

例如，当我们要从100人中选出50名游泳健将的时候。一阶段直接根据特征选出50名。而两阶段则是先筛选出20-30岁的人群（假设有80个），再从这80个人中选游泳健将。

优缺点：由于一阶段速度会更快，所以效果会更差一点。二阶段由于预选这个阶段，所以速度会更慢一点，但是通常效果会好一点。两个重要指标，map：得到的结果的效果。fps：快慢。

指标分析：

Map：综合衡量检测效果。

1、精度 

2、召回率recall，有没有某些框没有检测到

IOU：交并集比值。越大越好，越重叠。 

 MAP指标计算。

 TP(true positive): 判断正类为正类。    FP(flase positive):判断负类为正类

FN（false negatives）：判断正类为负类  TN（true negatives）：判断负类为负类

例子：已知班级总人数100，其中男生80，女生20。目标：找出所有女生。

结果：选择了50人，20女生、30男生

Tp：20，把正确的20女生判定成女生放进结果

FP：30，把错误的30男生判定成女生放进结果

FN：0 ，并没有将任何一个女生识别成男生(漏检)

TN:50, 把剩下的50个男生判定为男生

置信度：检测物体是目标物体的可能性有多大

P-R图（Precision-Recall）图

 

 得到的a1+a2+a3+a4的面积即为map值