在人工智能领域,机器学习的效果需要用各种指标来评价。当一个目标检测模型建立好了之后,即模型训练已经完成,我们就可以利用这个模型进行分类识别。那么该如何去评价这个模型的性能呢?
上期我们一起学习了全卷积神经网络FCN,今天我们看下目标检测中的评价指标都有哪些?
今天我们从交并比,准确率,精度,召回率,FPR
, F1-Score
, PR
曲线,ROC
曲线,AP
的值,AUC
的值以及很重要的mAP
指标,模型的检测速度和非极大值抑制的相关方面来学习下目标检测中的评价指标。
1. 交并比 — IoU
交并比IoU
是英文intersection over union
的简写,意思是检测结果的矩形框与样本标注的矩形框的交集与并集的比值。如下图:
上图中假设A
为模型的检测结果,B
为Ground Truth
即样本的标注结果,那么A
与B
相交的区域即为A∩B
,而A
与B
的并集即为AB
共有的区域A∪B
,那么IoU
的计算公式即为: IoU = (A∩B) / (A∪B)
这个还是很简单就能理解的,反应到样本图上就如下图:
其中上图蓝色框框为检测结果,红色框框为真实标注。
一般情况下对于检测框的判定都会存在一个阈值,也就是IoU
的阈值,一般可以设置当IoU
的值大于0.5
的时候,则可认为检测到目标物体。
2. 准确率/精度/召回率/FPR/F1指标
不管是看论文,博客啥的,都会经常看到一堆简写,TP
,TN
,FP
,FN
,这些简写经常见到,怎么能够很好的记住呢?其实是这样的:
预测值为正例,记为P(Positive)
预测值为反例,记为N(Negative)
预测值与真实值相同,记为T(True)
预测值与真实值相反,记为F(False)
那么从上