yolo中可视化结果指标
准确率 Accuracy=(TP+TN)/(TP+FP+TN+FN) 正样本判断对的+负样本判断对的/所有图像
精确率 Precision=TP/(TP+FP) 正样本判断对的/所有预测正样本 相当于不管负样本效果,ACC中拆分出正样本,涉及误检问题
召回率 Recall=TP/(TP+FN) 正样本判断对的/所有GT正样本 只找到这些正样本的概率,涉及漏检问题
混淆矩阵
混淆矩阵confusion matrix 监督学习中
匹配矩阵 无监督学习中
横坐标GT,纵坐标Predicted
P曲线
Confidence~Precision 大于Confidence时,Precision大小
曲线越靠近左上角,模型效果越好
确定阈值
R曲线
Confidence~Recall 大于Confidence时,Recall率大小
曲线斜率越陡峭,较高置信度仍能保持高召回率
曲线越靠近右上角,模型越好
R曲线可以评估模型和找到一个合适的阈值,平衡recall和精确率
确定阈值
PR曲线
Recall~Precision 召回率和精确率
召回越高,confidence越小,precision越低
曲线越靠近右上角,模型效果越好
F1-Score
F1分数是分类的衡量标准,是pre和recall的调和平均数,[0,1],越大越好
confidence~F1-Score
mAP@0.5
IoU阈值大于0.5时的平均mAP
mAP@0.5:0.95
不同IoU阈值 [0.5,0.55,0.6,0.65,0.7,0.75,0.8,0.85,0.9,0.95]上平均mAP
box loss:框位置loss
obj loss:置信度,判定为目标概率框中是否包含目标
cls loss:目标分类loss
labels.png
目标中心点x,y占比统计