yoloV5(二)目标检测中常见指标

这篇具有很好参考价值的文章主要介绍了yoloV5(二)目标检测中常见指标。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。

前言

       对于我们训练处的模型的泛化性能进行评估,不仅需要有效可行的实验估计方法,还需要有衡量模型泛化能力的评价标准,这就是性能度量(performance measure).
       性能度量反映了任务需求,在对比不同模型的能力时,使用不同的性能度量往往会导致不同的评判结果;这意味着模型的"好坏"是相对的,什么样的模型是好的?不仅取决于算法和数据,还决定于任务需求.

       对于二分类问题,可将样例根据其真实类别与学习器预测类别的组合划分为真正例(true positive) 、假正例 (false positive) 、真反倒(true negative)假反例 (false negative) 四种情形,令 TP FP TN FN 分别表示其对应的样例数,则显然 TP+FP+TN+FN=样例总数.分类结果的"混淆淆矩" (co usion matrix)如下 :

混淆矩阵

yoloV5(二)目标检测中常见指标

图 1 混淆矩阵 一 (摘自西瓜书)

       TP一一 将正类预测为正类数(预测对了)

       FN一一 将正类预测为负类数(预测错了)

       FP一一 将负类预测为正类数(预测错了)

       TN 一一将负类预测为负类数(预测对了)

yoloV5(二)目标检测中常见指标

图 2 混淆矩阵 二

查准率和查全率

        查准率(precision):模型预测的所有目标中,预测正确的比例。查准率有利于突出结果的相关性
yoloV5(二)目标检测中常见指标

        查全率(recall) :查全率又称召回率。所有的真实(正)目标中,预测正确的目标比例。

yoloV5(二)目标检测中常见指标

        查准率和查全率是一对矛盾的度量.一般来说,查准率高时,查全率往往偏低;而查全率高时,查准率往往偏低.

P–R曲线

        以查准率为纵轴、查全率为横轴作图 ,就得到了查准率–查全率曲线,简称 P-R 线,显示该曲线的图称为 “P-R图"

yoloV5(二)目标检测中常见指标

P-R图 (取自西瓜书)

        P-R图直观地显示出学习器在样本总体上的查全率、 查准率。每一个模型都有相应的P-R曲线,通过比较不同模型的P-R曲线,来评判模型的优劣,若一个模型A的 P-R 曲线被另一个模型B的曲线完全"包住 则可以说B的性能优于A,但是实际中很少出现这种情况。大部分曲线间都含有交叉。

        因此我们需要一个综合的度量"平衡点",它是"查准率= 查全率"时的取值。此时查准率等于查全率,他们的值越高,则模型的效果越好。


 

       为什么PR曲线面积越大模型就会越好呢(排除过拟合的情况)?

       我们训练出的模型,在该模型下我们希望我们所想要预测的对象尽可能多的预测出来,而且预测的对的结果,尽可能的都是对的。查准率就是我们预测出来的正样本,有多少实际为正。查全率就是预测为正的样本占真实为正的样本比例。所以PR曲线越凸越好(p:y,r:x),故面积越大。

IOU(交并比)

       在目标检测任务中,通常会使用交并比(Intersection of Union,IoU)作为衡量指标,来衡量两个矩形框之间的关系。例如在基于锚框的目标检测算法中,我们知道当锚框中包含物体时,我们需要预测物体类别并微调锚框的坐标,从而获得最终的预测框。此时,判断锚框中是否包含物体就需要用到交并比,当锚框与真实框交并比足够大时,我们就可以认为锚框中包含了该物体;而锚框与真实框交并比很小时,我们就可以认为锚框中不包含该物体。此外,在后面NMS的计算过程中,同样也要使用交并比来判断不同矩形框是否重叠。

yoloV5(二)目标检测中常见指标

摘自百度图库

yoloV5(二)目标检测中常见指标

交并比公式

MAP(Mean Average precision)

       即各个类别AP的平均值

        AP:P-R曲线下的面积

        下图不同交并比下的map曲线,展现了目标检测在VOCO和COCO数据集中的性能

yoloV5(二)目标检测中常见指标

摘自 object detection in 20 years a survey

论文地址
object detection in 20 years a survey.文章来源地址https://www.toymoban.com/news/detail-448962.html

到了这里,关于yoloV5(二)目标检测中常见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

  • 目标检测网络的常见评价指标

    声明:原视频链接https://www.bilibili.com/video/BV13k4y1m7DY?spm_id_from=333.880.my_history.page.click 下面是我的笔记,截图均来自原视频。 举例说明:单类物体检测时,以人脸检测为例。如图 绿色 实线和虚线框:人脸的真实标注 红色 的实线框和虚线框:算法的检测结果 框左上角的 红色数

    2024年02月06日
    浏览(44)
  • 目标检测中常见指标 - mAP

    在目标检测领域,比较常用的两个公开数据集: pascal voc 和 coco 。 目标检测与图像分类明显差距是很大的,在图像分类中,我们通常是统计在验证集当中,分类正确的个数除以验证集的总样本数就能得到准确率。 那么对于目标检测,怎么样才能算检测正确呢? TP(True Posit

    2024年02月06日
    浏览(38)
  • YOLOv5获得大中小目标的AP和AR指标(自制数据集)

    本文简要介绍YOLOv5如何调用pycocotools得到 大中小目标的AP和AR指标 ,评价自制数据集。 代码版本-----YOLOv5_6.0版本。 数据集----Seaships7000数据集,共包含6类7000张船舶图片,其中测试集1400张。 模型-----自制模型。 话不多说,运行示例: 主要参考了以下三个案例,并根据Seaships数

    2024年02月01日
    浏览(140)
  • YOLOv5实现目标检测

    YOLOv5 🚀 是COCO数据集上预处理的一系列对象检测架构和模型,代表Ultralytics对未来视觉人工智能方法的开源研究,融合了数千小时研究和开发过程中积累的经验教训和最佳实践。 本文用来记录第一次使用 YOLOv5实现: 视频目标检测 摄像头目标检测 博主所使用的环境是win10 +

    2024年02月09日
    浏览(39)
  • YOLOv5目标检测实验

    最近在用YOLOv5跑一些目标检测的东西,这是自己日常学习的一些总结!后期会继续更新!有问题也欢迎批评指正!如果雷同请见谅! 创建数据集是在detect.py里面的create_dataloader,并在主函数里面调用 yolov5在计算资源的调用上采用了torch.nn.parallel.DistributedDataParallel(DDP,多张显卡

    2024年02月07日
    浏览(40)
  • 【目标检测】yolov5模型详解

    yolov5于2020年由glenn-jocher首次提出,直至今日yolov5仍然在不断进行升级迭代。 Yolov5有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四个版本。文件中,这几个模型的结构基本一样,不同的是depth_multiple模型深度和width_multiple模型宽度这两个参数。 yolov5主要分为以下几部分: Input:输入 Backbone:

    2024年02月07日
    浏览(47)
  • 【目标检测】yolov5代码实战

    YOLO 是 “You only look once” 缩写 , 是将图像划分为网格系统的对象检测算法,网格中的每个单元负责检测自身内的对象。 由于其速度和准确性,YOLO是最著名的目标检测算法之一。yolov5作为YOLO系列第五个迭代版本,它的一个特点就是权重文件非常之小,可以搭载在配置更低的移

    2024年02月07日
    浏览(44)
  • 利用yolov5进行目标检测,并将检测到的目标裁剪出来

    写在前面:关于yolov5的调试运行在这里不做过多赘述,有关yolov5的调试运行请看: https://www.bilibili.com/video/BV1tf4y1t7ru/spm_id_from=333.999.0.0vd_source=043dc71f3eaf6a0ccb6dada9dbd8be37 本文章主要讲解的是裁剪。 需求:识别图片中的人物并将其裁剪出来 如果只需识别人物的话,那么只需在y

    2024年02月02日
    浏览(39)
  • 【目标检测】YOLOv5:模型构建解析

    最近在看一些目标检测的最新论文和代码,大多数都是在YOLOv5的基础上进行魔改。 改的最多的基本是原版本的网络结构,这篇博文就从源码角度来解析YOLOv5中,模型是如何构建出来的。 本文使用的是YOLOv5-5.0版本。 在YOLOv5中,模型结构基本是写在了 .yaml 中,5.0版本的YOLOv5共

    2024年02月06日
    浏览(87)
  • YOLOv5增加小目标检测层

    采用增加小目标检测层的方式来使YOLOv5能够检测小目标,只需要修改models下的yaml文件中的内容即可。 主要改变如下: 原yaml: 改变后的yaml: 主要改变了两个地方:anchors和head (1)anchors (2)head 这样就改好了。 注释:在yolov5的6.0版本作者将CSP换为C3,YOLOv5 2020年5月出来后不

    2024年02月11日
    浏览(46)

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