Yolov5——评估指标

这篇具有很好参考价值的文章主要介绍了Yolov5——评估指标。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

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
计算公式
Yolov5——评估指标

P(Precision)准确率

所有预测为正样本的结果中,预测正确的比率。
Yolov5——评估指标
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。
Yolov5——评估指标
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
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.文章来源地址https://www.toymoban.com/news/detail-444415.html

AP(代填坑)

到了这里,关于Yolov5——评估指标的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 目标检测评估指标

    评估指标是评价目标检测算法方法好坏的重要依据,目标检测有:IoU(交并比)、Precision(精确度)、Recall(召回率)、AP(平均正确率)、mAP(平均类别AP)等多种评价指标。 1.IoU IoU:用来评价目标检测算法的对象定位精度,IoU是目标检测的预测框和标签框之间的重叠面积

    2024年02月06日
    浏览(48)
  • 机器学习——常见模型评估指标

    目录 一.模型评估综述 1.1 什么是模型评估 1.2 评估类型 1.3 模型泛化能力 1.4 过拟合与欠拟合 1.4.1 过拟合 1.4.2欠拟合 二.常见的分类模型评估方式 2.1 混淆矩阵 2.2 准确率(Accuracy) 2.3 精确率(Precision) 2.4 召回率(Recall) 2.5 F1-score 2.6 ROC曲线及AUC值 2.7 PR曲线 三. PR曲线和ROC曲线的

    2024年04月10日
    浏览(65)
  • 最新目标跟踪评估指标汇总

    前段时间接触了一些目标跟踪的场景,本文主要汇总目标跟踪的常用评估指标,主要包括下面几类: 容易理解的概念:FP、FN、TP、id switch、ML、MT 更加综合的概念:MOTA、IDF1、MOTP、HOTA 主要的介绍集中在HOTA ,因为这个评估指标比较新,我能看到的讲解都比较少一点,所以展开

    2024年02月04日
    浏览(39)
  • 图像融合评估指标Python版

    这篇博客利用Python把大部分图像融合指标基于图像融合评估指标复现了,从而方便大家更好的使用Python进行指标计算,以及一些I/O 操作。除了几个 特征互信息 的指标没有成功复现之外,其他指标均可以通过这篇博客提到的Python程序计算得到,其中 SSIM 和 MS_SSIM 是基于PyTorc

    2023年04月08日
    浏览(45)
  • 敏捷指标: 评估计划的进展

    作者 | Will Hayes, Patrick Place, and Keith Korzec ——卡耐基梅隆大学 度量标准有助于实现一个运作良好的系统,评判现有流程的绩效。在项目交付契约功能时能够对其性能进行监督。本文探讨了在一个复杂的信息物理系统的迭代、增量交付过程中,政府项目评估的指标所起的作用。

    2024年02月07日
    浏览(44)
  • 目标检测评估指标 mAP, FPS

    参考1 mAP (mean Average Precision) might confuse you! 参考2 Breaking Down Mean Average Precision (mAP) 根据 IoU 的取值,可以将预测得到 bbox 判断为 TP, FP 或者 FN。 TN 不考虑。 考虑下面这幅图,只查看 person 的预测 bbox。 TP 为 IoU 0.5 的bbox. FP : 有两种情况会被考虑为 FP IoU 0.5 其他大于0.5 但是小于

    2024年02月07日
    浏览(46)
  • 软件的性能指标及评估方法

    1、响应时间 响应时间是指系统对请求作出响应的时间。这个时间是指用户从软件客户端发出请求到用户接收到返回数据的整个过程所需要的时间,包括各种中间件(如服务器、数据库等)的处理时间。 响应时间的绝对值并不能直接反映软件的性能的高低,软件性能的高低实际

    2024年02月02日
    浏览(41)
  • 评估车辆之间安全距离的指标

      源自相对速度的安全距离(Safe distance derived from relative speed):车辆与前方车辆保持的安全距离,考虑相对速度。 公式:d = (v1 + v2) * t + k,其中d为安全距离,v1和v2为两辆车的速度,t为反应时间,k为安全系数。含义:源自相对速度的安全距离考虑了车辆之间的相对速度,以

    2024年02月02日
    浏览(70)
  • 简单线性回归评估指标+R Squared

    使得每一个数据集尽可能的小   均方误差 MSE :(平方和取平均值)   均方根误差 RMSE :(平方和取平均值开根号):平均误差值   平均绝对误差 MAE :(绝对值取平均):   RMSEMAE 大的原因 RMSE 会放大误差 所以评估时应尽量让 RMSE 小 -------------R Squared 评估指标 ------------

    2024年02月15日
    浏览(39)
  • 图像处理中常用的相似度评估指标

    导读 有时候我们想要计算两张图片是否相似,而用来衡量两张图片相似度的算法也有很多,例如: RMSE 、 PSNR 、 SSIM 、 UQI 、 SIFT 以及 深度学习 等。这篇文章主要介绍, RMSE 、 PSNR 、 SSIM 、 UQI 这些指标的计算和应用,关于 SIFT 算法来计算图像的相似度在后面的文章中再进行

    2024年02月06日
    浏览(67)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包