YOLOV5学习日记：目标检测性能指标

最新推荐文章于 2024-05-31 20:00:00 发布
最新推荐文章于 2024-05-31 20:00:00 发布
阅读量1.5k 收藏 24
点赞数 19
文章标签： YOLO 学习 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_58753296/article/details/134917979
版权
本文介绍了检测任务中的关键概念，如混淆矩阵、精度(Precision)、召回率(Recall)、F1分数、IoU以及P-R曲线。同时关注检测速度，包括前传时间、每秒帧数(FPS)和浮点运算量(FLOPS)，并引用了YOLOV5目标检测的Pytorch实现教程。
摘要由CSDN通过智能技术生成

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。

PP
PP

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

小于没秃
关注
  • 19
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
Snu77的博客
11-02 5万+
这篇博客，主要给大家讲解我们在训练yolov8时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据具体需求，我们可以选择更适合任务场景的模型和参数配置。最后祝大家学习顺利，科研成功，多多论文！！
YOLOv5 Small的改进和增强基于多模块目标识别优化|YOLOv5手机划痕检测，精度和召回率分别为 80.406% 和 76%|深⼊研究并改进了YOLOv5s模型在小目标检测任务上的局限性
sybh的博客
05-31 741
在当今的⼯业⽣产和⽇常⽣活中，⼩⽬标识别发挥着越来 越重要的作⽤。在⼯业⽣产中，⽆论是微⼩缺陷的检测，还 是⾼速⽣产线上零件的精确定位，⼩⽬标的准确识别是提⾼ ⽣产效率和产品质量的关键。例如，在半导体制造中，早期 检测微⽶甚⾄纳⽶级别的缺陷可以显着降低⽣产成本。在⽇ 常⽣活中，⼩⽬标识别⽆处不在，从医学图像中的细胞检测 到在安全监控中跟踪⼩型⽆⼈机。⼩⽬标识别的研究引起了学术 界的⼴泛关注。传统⽅法主要基于特征⼯程和⼿⼯设计的算法 [1-2]。
改进的YOLOv5：AF-FPN替换金字塔模块提升目标检测精度
gzq0723的博客
12-21 1万+
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式源代码：https://arxiv.org/pdf/2112.08782.p...
yolov5验证模型精度
Loong Cheng的博客
06-19 2215
yolov5验证模型代码修改
YOLOv5~目标检测模型精确度
whaosoft143ai的博客
11-22 5372
也称重叠度表示计算预测回归框和真实回归框的交并比,计算公式如下:指标的一些基本概念：TP（True Postives）：分类器把正例正确的分类-预测为正例。(IOU >=阈值)FN（False Negatives）：分类器把正例错误的分类-预测为负例。(IOU
YOLOv5改进策略|实战应用案例|YOLOv5 文档布局识别，精确度值为0.91，召回值为0.971，F1分数为0.939
sybh的博客
05-31 1295
在当今充满活⼒的数字时代，数据的⽣成和利⽤⼤幅增加。⾮结构化数据是指不具有预定格式的数据，在银⾏、 医疗保健和教育等不同领域中具有重要意义。Adnan 和 Akbar [2019a]。⽂档中包含的数据的很⼤⼀部分以⾮结 构化格式存在，并且在样式和内容⽅⾯表现出可变性。检测对象是计算机视觉中的⼀项基本任务，具有多种应⽤，包括布局检测。多年来，YOLO（You Only Look Once）系列模型已成为实时物体识别的杰出解决⽅案，以其卓越的速度和准确性⽽闻名。[2022]。
【目标检测】YOLOV5详解
qq_38375203的博客
06-30 1万+
YOLOV5和YOLOV4有很多相同的地方，最大的改变还是基础架构的变化。Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。首先先看一下YOLOV5s的网络架构。上图即Yolov5的网络结构图，可以看出，还是分为输入端、Backbone、Neck、Prediction四个部分。（1）输入端：Mosaic数据增强、自适应锚框计算、自适应图片缩放 （2）Backbone：Focus结构，CSP结构 （3）Neck：FPN+P
目标检测学习之路——YOLOv1
澎湃de家夥的博客
11-30 743
YOLOV1 因一些需要，对经典的检测模型YOLOV1进行了学习，以下是自己对YOLOV1的一些见解，如有错误，还请大佬指正。 对于目标检测任务，江湖上主要有两大流派：1.two stage策略（即proposal+classifier的方法），经典模型有rcnn、fast-rcnn、fa...
YOLOv3-ADS：一种基于YOLOv3的深度学习目标检测压缩模型.pdf
08-18
YOLOv3-ADS：一种基于YOLOv3的深度学习目标检测压缩模型 在计算机视觉领域中，目标检测是指通过图像或视频中检测和定位目标对象的技术。YOLO（You Only Look Once）是一种实时目标检测算法，可以实时地检测和跟踪...
YOLOV5 实战项目：兔子图像目标检测数据集
03-06
基于YOLOV5 对野生兔子的目标检测实战项目，包含代码、数据集、训练好的权重参数，经测试，代码可以直接使用 项目大小：109MB 项目迭代了100个epoch，最后一轮的 MAP_0.5为0.995，MAP_0.5:0.95为0.76！！ 关于...
基于YOLOv5实现垃圾分类目标检测
05-05
本项目采用YOLOv5实现垃圾分类目标检测。利用大量已标注目标检测数据集进行训练，对居民生活垃圾图片进行检测，找出图片中属于哪个类别的垃圾，并指示出在图片中的位置。 本工程YOLOv5使用PyTorch版的ultralytics/...
YOLOv5 vs YOLOv6 vs YOLOv7目标检测模型速度和准确度的性能比较-深入研究.docx
05-20
YOLO（You Only Look Once）系列是目标检测领域中非常受欢迎的一组算法，因其高效和实时性能而备受赞誉。本文将深入对比YOLOv5、YOLOv6和YOLOv7这三款模型在速度和准确度方面的表现，帮助读者在实际应用中做出最佳...
YOLOv5深度解析：新一代目标检测算法的突破与应用
最新发布
06-28
YOLOv5作为新一代的目标检测算法，在速度和准确性上都取得了显著的成果。本文详细介绍了YOLOv5的设计理念、架构、关键技术、性能、应用场景以及安装部署方法。希望读者能够通过本文全面了解YOLOv5，并在自己的研究和...
yolov5小目标检测-提高检测小目标的检测精度
m0_58508552的博客
04-15 4万+
本次分享的就是最近刚刚发布的基于企业开发需要而产生的yolov5（因为相关论文还没有发表，所以本文不过分讲解其中原理，可自行了解；只对具体的实现操作和部署进行分享）。以下会详细介绍yolov5的下载安装和使用技巧以及如何使用自己的数据集进行小目标的检测工作。
目标检测 YOLOv5 - 如何提高模型的指标，提高精确率，召回率，mAP等
热门推荐
flyfish
10-11 6万+
目标检测 YOLOv5 - 如何提高模型的指标，提高精确率，召回率，mAP等 flyfish 文中包括了YOLOv5作者分享的提高模型指标小技巧和吴恩达（Andrew Ng）在做缺陷检测项目（ steel sheets for defects）时遇到的需要提高模型指标的问题是如何解决的。 1 YOLOv5获得最佳训练效果指南 大多数情况下，只要数据集足够大且良好标注(provided your dataset is sufficiently large and well labelled)，就可以在不更改模
YOLOv5性能评估指标-＞mAP、Precision、Recall、FPS、Confienc (讲解论文关注的主要指标)
weixin_39818775的博客
05-12 2634
YOLOv5性能评估指标是衡量目标检测模型性能的重要工具，其发展推动了YOLOv5模型的不断改进和应用范围的扩展。未来，随着研究的深入和技术的进步，YOLOv5性能评估指标将更加完善和高效，为目标检测模型的开发和应用提供更加有效的指导。mAP（Mean Average Precision）是衡量目标检测模型整体性能的常用指标，它综合考虑了模型的查全率（Recall）和准确率（Precision）。mAP值越高，表明模型性能越好。Precision衡量的是模型预测为正类的框中，实际为正类的比例。
YOLOv5目标检测源码重磅发布了！
吴建明wujianming_110117
05-30 2718
YOLOv5目标检测源码重磅发布了！ https://github.com/ultralytics/yolov5 该存储库代表了对未来对象检测方法的超解析开源研究，并结合了在使用之前的YOLO存储库在自定义客户机数据集上训练数千个模型时所吸取的经验教训和改进的最佳实践https://github.com/ultralytics/yolov3。所有代码和模型都在积极开发中，可能会被修改或删除，恕不另行通知。使用风险自负。 更新： 2020年5月27日：公开发布。yolov3 spp（发布协议）是所有已知yol
yolov5系列速度测试
sinat_16423171的博客
12-02 7506
图像输入大小为640*640，测试环境不一样，结果会有出入，仅供参考： cpu gpu size yolov5_s 0.225s 0.012s 95.2M yolov5_m 0.366s 0.016s 43.3M yolov5_l 0.553s 0.018s 14.8M yolov5_n 0.136s 0.010s 4M yolov5_n6.0 0.143s 0.012s 6.
yolov5计算检测速度fps
09-16
### 回答1： 要计算 YOLOv5 的检测速度 FPS (每秒处理帧数)，可以在模型推理时记录每个图像的开始和结束时间，并根据时间差计算 FPS。以下是计算检测速度 FPS 的代码示例： ```python import time import cv2 import torch from PIL import Image # 加载模型 model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True) # 读取测试图像 img_path = 'test.jpg' img = cv2.imread(img_path) # 将 OpenCV 图像转换为 PIL 图像 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) pil_img = Image.fromarray(img) # 检测图像并计算 FPS total_time = 0.0 num_frames = 100 for i in range(num_frames): start_time = time.time() results = model(pil_img, size=640) end_time = time.time() total_time += end_time - start_time fps = num_frames / total_time print(f'FPS: {fps:.2f}') ``` 在上面的代码中，我们使用 `time.time()` 函数来记录每个图像的开始和结束时间。我们将检测时间累加到 `total_time` 变量中，最后计算平均每秒处理帧数。请注意，此代码使用了 `size=640` 参数，这是图像的大小。如果输入图像的大小不同，则检测速度可能会有所不同。 ### 回答2： YOLOv5是一个用于目标检测的模型，其计算检测速度fps主要取决于以下几个因素。 首先，硬件设备是影响YOLOv5计算检测速度的重要因素之一。使用高性能GPU（如NVIDIA的GeForce RTX系列）可以加速YOLOv5的计算速度。较新的GPU具有更多的CUDA核心和更高的内存带宽，这对于大规模计算密集型任务如目标检测来说是非常关键的。 其次，YOLOv5的模型结构也会影响计算速度。YOLOv5相比于YOLOv4或YOLOv3等模型，采用了较轻量级的网络结构，具有更少的参数和计算量，这使得YOLOv5在计算速度方面更加高效。同时，YOLOv5引入了一些技术在保持准确性的同时提高了计算速度，如特征整合和跨阶段连接等。 最后，输入图像的分辨率也会对YOLOv5的计算速度产生影响。较高分辨率的图像需要更多的计算资源来进行处理，从而降低了计算速度。因此，在实际应用中需要权衡图像分辨率和计算速度之间的平衡。 总结来说，YOLOv5的计算检测速度fps受到硬件设备、模型结构和输入图像分辨率等因素的共同影响。为了提高YOLOv5的计算速度，可以选择较高性能的GPU设备，采用轻量级的模型结构，并根据任务需求选择适当的图像分辨率。 ### 回答3： YOLOv5是一个通过深度学习实现目标检测的模型，可以用于识别图像中的多个目标。FPS是每秒处理图像的帧数，也是衡量模型运行速度的指标之一。 YOLOv5的检测速度FPS是通过将模型应用于输入图像进行推理来计算的。首先，我们需要将输入图像传递给YOLOv5模型，并调用其推理函数。推理函数将图像作为输入，并返回检测到的目标的框和类别信息。 在推理函数调用之后，我们可以通过以下步骤来计算FPS： 1. 获取开始时间：在调用推理函数之前，使用系统时间函数记录开始时间。 2. 调用推理函数：将输入图像传递给YOLOv5模型的推理函数，执行目标检测操作。 3. 获取结束时间：在推理函数调用完成后，使用系统时间函数记录结束时间。 4. 计算FPS：将结束时间减去开始时间，得到模型执行的总时间。然后，将总时间除以图像数量（每秒处理的图像帧数）来计算FPS。 需要注意的是，要准确计算FPS，应该使用足够多的图像样本进行推理，并考虑到图像加载和预处理的时间。此外，还应根据计算设备的性能和模型的规模来考虑实际的FPS。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值