YOLOV5学习日记：目标检测性能指标

最新推荐文章于 2024-05-23 21:35:34 发布

小于没秃

最新推荐文章于 2024-05-23 21:35:34 发布

阅读量1.3k

点赞数 19

文章标签： YOLO 学习目标检测

本文链接：https://blog.csdn.net/weixin_58753296/article/details/134917979

版权

一，检测精度

混淆矩阵介绍

True/False：表示预测的对错，下文使用T/F简写

Positive/Negative：表示预测的结果，下文使用P/N简写

使用例子来进行简单的说明：actual是实际是一个什么东西，predicted是我们使用一些方法预测出来的是什么东西，我们拿苹果举例。（个人理解）

TP指的是，现在实际上拥有一个苹果，我使用方法预测出来了苹果，这是正确的预测，而且结果是苹果。

FN指的是，现在实际上拥有一个苹果，使用方法预测出来了橘子（即不是一个苹果），这是错误的预测，并且结果是橘子。

FP指的是，现在实际上没有苹果，我使用方法预测出来了苹果，这就是错误的预测，预测结果是苹果。

TN指的是，现在实际上没有苹果，使用方法预测出来了橘子，这是正确的预测，因为我没有苹果，结果是橘子。（即不是苹果，预测结果也不是苹果）

即TP和TN都是正确的预测

Precision,Recall,F1score

精度Precision：查准率，看预测的准不准，看的是预测列

$precision=\frac{TP}{TP+FP}$ （预测的对的结果除以全部预测的结果）

召回率Recall：查全率，评估找的全不全，看的是实际行

$recall=\frac{TP}{TP+FN}$ (预测是苹果的个数除以实际上苹果的总个数)

Accuracy：预测的正确部分占比

$Accuracy=\frac{TP+TN}{TP+FP+FN+TN}$

$F1 score=\frac{2\times Precision\times Recall}{Precision+Recall}$

IoU

IoU是指边界框的回归

在检测的时候我们会把目标物体框出来，那么我们预测的范围相较于实际的范围是否准确呢，就会使用到它。也理解为交并比。

以这个3×2的表格为实际范围，P为预测范围，一个表格代表面积为1的话，那IOU就是4/6，也就是他们俩相交的部分比上相并的部分。

P	P
P	P

$IoU=\frac{Area\ of\ Overlap}{Area\ of\ Union}$

如果IOU等于1，那么预测框和实际框就完全重叠。在实际操作时，我们可以给IOU设置一个阈值，比如说设置成0.5的话，当IOU＞0.5，结果就为TP，IOU＜0.5，结果就为FP。如果图片中有这个物体但是没有检测到，结果就是FN，TN是指图片所有没有预测到结果的部分，一般不常用。

P-R curve

P-R曲线就是精确率precision vs 召回率recall 曲线，以recall作为横坐标轴，precision作为纵坐标轴。

AP

衡量学习出来的模型在每个类别上的好坏（比如狗，猫这样的单个类别），可以视为在P-R曲线图中线下方的区域面积。（想要具体了解可以搜一下11点计算法和积分法）

MAP

衡量学习出来的模型在所有类别上的好坏，取所有类别上AP的平均值。

二，检测速度

前传耗时

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（图像归一化），网络前传耗时，后处理耗时（非极大值抑制）

每秒帧数FPS

每秒钟能处理的图像数量

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。

参考视频：最适合新手入门的【YOLOV5目标实战】教程！基于Pytorch搭建YOLOV5目标检测平台！环境部署+项目实战（深度学习/计算机视觉）_哔哩哔哩_bilibili