Yolov5——评估指标

IOU (Intersection over Union)

IoU也称为交并比,评价边界框正确性的度量指标,表示detection box(检测框)与ground truth(真实标签)的交集和并集的比值。
Yolov5——评估指标_第1张图片
计算公式
Yolov5——评估指标_第2张图片

P(Precision)准确率

所有预测为正样本的结果中,预测正确的比率。
在这里插入图片描述
对于多目标检测任务,TP(true positive)表示预测出的正确的框,但问题是我们如何判断这个框就是正确的框,预测的框可以画在图片的任何位置,甚至该位置根本就没有对象。
TP(true positive):对此,Yolo是这样解决的,我们首先要通过模型预测出的框,逐个的与该图像的标注框求IoU,如果与标注框产生的最大IoU大于之前设置好的IoU阈值,并且此预测框对应的标签与通过IoU操作找到的标注框标签一致,便认为此预测框为true positive。
FP(false positive):反之,如果预测框与所有的框的IoU都没有达到阈值,则认为此预测框是false postive。
因此,FP+TP就是所有的预测框的个数

R(Recall)召回率

所有预测为正样本的结果中,真的是正样本的概率。
在这里插入图片描述
FN(false negative)如果与标注框产生的最大IoU大于之前设置好的IoU阈值,并且此预测框对应的标签与通过IoU操作找到的标注框标签 一致
因此,FN+TP就是所有的标注框

PR曲线(Precision-Recall曲线)

通过逐步调整IoU的threshold得到不同的Precision和Recall的曲线,以Recall为横坐标,Precision为纵坐标组成的曲线。图片来自周志华老师的西瓜书。
Yolov5——评估指标_第3张图片
PR图直观地显示出学习器在样本总体上的查全率、查准率.在进行比较 时,若一个学习器的PR曲线被另一个学习器的曲线完全“包住”,则可断言 后者的性能优于前者,例如图2.3中学习器A的性能优于学习器C;如果两个 学习器的P-R曲线发生了交叉,例如图2.3中的A与B,则难以一般性地断言 两者孰优孰劣,只能在具体的查准率或查全率条件下进行比较.然而,在很多情 形下,人们往往仍希望把学习器A与B比出个高低.这时一个比较合理的判据 是比较PR曲线下面积的大小,它在一定程度上表征了学习器在查准率和查全 率上取得相对“双高”的比例.但这个值不太容易估算,因此,人们设计了一些 综合考虑查准率、查全率的性能度量 “平衡点”(Break-Event Point,简称BEP)就是这样一个度量,它是“查 准率=查全率”时的取值,例如图2.3中学习器C的BEP是0.64,而基于BEP 的比较,可认为学习器A优于B.

AP(代填坑)

你可能感兴趣的:(计算机视觉,目标检测,深度学习)