YOLO学习笔记（一）：YOLO基本指标分析

最新推荐文章于 2024-04-12 15:15:21 发布

小w进阶中~

最新推荐文章于 2024-04-12 15:15:21 发布

阅读量1.1k

点赞数 20

分类专栏： YOLO学习文章标签： YOLO 学习笔记

本文链接：https://blog.csdn.net/weixin_57425565/article/details/134867389

版权

9 篇文章 2 订阅

订阅专栏

two-stage（两阶段）：Faster-rcnn Mask-Rcnn系列（为了得到最终结果，中间加入预选阶段RPN，效果更好）
核心优势：效果较好（实用的通用框架MaskRcnn）
缺点：速度较慢（5FPS）
one-stage（单阶段）：YOLO系列（一个CNN网络直接做一个回归即可，中间不需加入其他映衬，无RPN等等）,在YOLO算法中把物体检测（object detection）问题处理成回归问题，用一个卷积神经网络结构就可以从输入图像直接预测bounding box和类别概率
核心优势：速度很快，适合做实时检测任务
缺点：效果相对较差

mAP指标（mean average precision）：均值平均精度，综合衡量检测效果（越高效果越好），精度（检测到的框和实际标注的框是否吻合）和召回率recall（是否有标注的物体没检测到，没有画框）都需要衡量。
IoU：真实框(ground truth)与预测框(predicted box)的交并比，指的是真实值（ground truth bbox）与预测值（prediction bbox）的交集面积占两者并集面积的一个比率，即交集和并集的比值。IoU值越大说明预测检测框的模型算法性能越好，通常在目标检测任务里将IoU>=0.7的区域设定为正例（目标），而将IoU<=0.3的区域设定为负例（背景），其余的会丢弃掉。

在这里插入图片描述

注：

例：
假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，系统查找出50个，其中只有40个是真正的正样本，计算上述各指标。

TP: 将正类预测为正类数 40

FN: 将正类预测为负类数 20

FP: 将负类预测为正类数 10

TN: 将负类预测为负类数 30

准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70%
 
精确率(precision) = TP/(TP+FP) = 80%
 
召回率(recall) = TP/(TP+FN) = 2/3

参考：http://t.csdnimg.cn/XDbxg

多个类别物体检测中，每一个类别都可以根据recall和precision绘制一条曲线，即为PR曲线，recall和precision往往是矛盾关系，AP就是该曲线下的面积，mAP一般指所有图片内的所有类别，考虑不同阈值的AP的平均值。
PR曲线通常横坐标为Recall值，而其纵坐标为Precision，对于同一个Recall值，我们取的是最大的Precision。如下图：条形面积为所求的mAP。
根据TP，TN，FP，FN计算出recall和precision，然后根据recall和precision绘制的PR曲线去计算区域内最大的precision包围的面积，即为mAP。

关注