1.正样本负样本
正样本即待检测的目标物,比如缺陷检测中的麻点、划痕、破洞等;负样本即目标物所处的不同背景,背景不包含麻点、划痕、破洞等。
2.TP FP TN FN
例:找出班级所有女生
TP(True Positive):将正类预测为正类,将女生判定为女生;
FP(False Positive):负类预测为正类,将男生和背景判定为女生;
TN(True Negative):负类预测为负类,将男生和背景判定为男生;
FN(False Negative):正类预测为负类,将女生判断为男生和背景;
3.精确率(precision)
精确率即所有检测出来的目标中,检测正确的概率(你认为的正样本中,有多少是真的正确的概率),又称查准率,公式为:
4.召回率(recall)
正样本中有多少被找出来了,又称查全率,公式为:
5.AP、mAP
查准率和查全率是一对矛盾的度量, 为了更全面的衡量模型的性能提出了 AP,
AP 表示的是检测器在各个 Recall 情况下的平均值,对应的就是 PR 曲线下的面积(AUC, Area Under Curve); AP 是针对单个类别的识别器,而 mAP 是从类别的维度对 AP 进行平均,因此可以评价多分类器的性能。mAP的大小在[0,1]区间,越大越好。该指标是目标检测算法中最重要的一个。
6.accuracy
所有预测中,预测正确的比例,公式为:
7.F1 - Score
是分类问题的一个衡量指标,常作为多分类问题的最终指标,是精度和召回率的调和平均数。对于单个类别计算公式如下:
8.mAP@0.5、mAP@.5:.95
将IoU设为0.5时,计算每一类的所有图片的AP,然后所有类别求平均,即mAP;
mAP@.5:.95表示在不同IoU阈值(从0.5到0.95,步长0.05)(0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95)上的平均mAP。
9.Params
网络模型中需要训练的参数总数,, ;
10.FLOPS、FLOPs、GLOPS、GLOPs、FPS
FLOPS:每秒浮点运算次数,用来衡量硬件性能;
FLOPs:浮点运算次数,衡量算法、模型复杂度,常用做神经网络模型速度的间接衡量标准;
GLOPS: 每秒10亿次的浮点运算数,常作为GPU性能参数但不一定代表GPU的实际表现,因为还要考虑具体如何拆分多边形和像素、以及纹理填充,理论上该数值越高越好。
1GFlops =1,000MFlops。
FPS:每秒传输帧数,网络每秒可以处理(检测)多少帧(多少张图片),即每秒可以处理的图片数量或者处理一张图片所需时间来评估检测速度。
单位换算:
一个MFLOPs等于每秒一百万次()浮点运算次数;
一个GFLOPs等于每秒十亿次()浮点运算次数;
一个TFLOPs等于每秒一万亿次()浮点运算次数;
一个PFLOPs等于每秒一千万亿次()浮点运算次数;
一个EFLOPs等于每秒一百京次()浮点运算次数;
一个ZFLOPs等于每秒十万京次()浮点运算次数;
11.计算量(FLOPs)、参数量(Params)
计算量对应我们之前的时间复杂度,参数量对应于我们之前的空间复杂度,也就是计算量要看网络执行时间的长短,参数量要看占用显存的量。
Params,是指网络模型中需要训练的参数总数。
12.置信度、IoU
置信度:判断目标框内是正样本还是负样本,例如在YOLOV8中,使用conf_thresh来表示置信度,conf_thresh=0.4,表示大于0.4的为正样本,小于0.4的为负样本;
IoU:表示真实框与预测框之间交并比;