YOLOv5相关基础概念通俗解释

IoU

IoU(Intersection over Union)，即交并比，是目标检测中常见的评价标准，主要是衡量模型生成的bounding box和ground truth box之间的重叠程度，计算公式为：

Baseline

基线(Baseline)：被用为对比模型表现参考点的简单模型。基线帮助模型开发者量化模型在特定问题上的预期表现。

GT box

ground truth

红色的框是使用selective search提取出的region proposal，绿色的框是ground truth。

Precision

true positives / (true positives + false positives)

Precision就是检测出来的框的数目（或者是面积吧），除以一共画出来的框。比如说有时候你预测出来10个框，只有5个是正确的，那Precision就是5/10 = 50%。这个只是简单的比喻，可能里面会有细节上的错误。

Recall

true positives/(true positives + false negatives)

Recall就是预测出来的正确的框，除以正确的框再加上没有预测出来的ground truth的框。距离来说就是，假设你有10个类别，你预测了6个框，6个框全中了，但是还有4个没框的，这时候Recall就是6/10=60%

[email protected]

[email protected]：mean Average Precision
通俗来说，就是给每一类分别计算AP，然后做mean平均。

那AP是什么呢，之前我一直以为是Average Precision，没错，就是平均精确度，可是这个怎么定义呢？AP是Precision-Recall Curve(PRC)下面的面积！！！

AP是Precision-Recall Curve(PRC)下面的面积！！！

PRC怎么看：先看平滑不平滑（蓝线明显好些），在看谁上谁下（同一测试集上），一般来说，上面的比下面的好

[email protected]:0.95

[email protected]:0.95 是在不同 IoU (从 0.5 到 0.95, 步长0.05) 设置下的平均值,又可写作mmAP或 AP

可视化结果解释

1. Box:推测为Box损失函数均值，越小边界盒岳精准
2. Objectness：推测为目标检测loss均值，越小目标检测越准；
3. Classification：推测为分类loss均值，越小分类越准；
4. Precision：准确率（找对的/找到的）；
5. Recall：召回率（找对的/该找对的）；
6. [email protected] & [email protected]:0.95：m表示平均，@后面的数表示判定iou为正负样本的阈值，@0.5:0.95表示阈值取0.5:0.05:0.95后取均值。

参考：

(11条消息) 对于目标检测中[email protected]的理解_UnknownPlayer的博客-CSDN博客

https://www.cnblogs.com/makefile/p/metrics-mAP.html © 康行天下

(11条消息) 开发者必看：超全机器学习术语词汇表！_Lunaqi的博客-CSDN博客

(5条消息) yolov5训练相关参数解释_fxxxkming的博客-CSDN博客