目标检测性能指标和计算方法(Yolov5)

目标检测性能指标和计算方法

1、混淆矩阵(对分类结果进行衡量)

image

image
Precision:选择的点中预测正确的占多少
Recall:正确的点中有多少被选择

2、IoU(衡量预测的标准)

image
实际的物体所占空间,与预测的物体所占空间的交并比。
image
①IoU = 1,说明预测框和实际框很好的吻合。
②不妨设置IoU = 0.5为分界线:

  • IoU >= 0.5时,为TP(重合率较高)【正样本】
  • IoU < 0.5时,为FP(重合率比较低)
  • FN:
  • TN:

3、AP && mAP

①AP:衡量计算出来的模型在每个类别上的好坏。(0%-100%)
②mAP:衡量计算出来的模型在所有类别上的好坏,即AP的均值。(0%-100%)
image
image

  • COCO的AP实际上相当于PASCAL中的mAP,COCO中的mAP有自己独特的计算方式。

image
IoU的值越大,准确度要求越高,所以数据的全面性会下降。

image

  • IoU不同、物体规模不同、每张图片中含有的检测目标不同

image

  • 与上面那张图对应,eg:APs,指小物体检测的AP值
  • FPS:每秒的帧数,Frame per Second

image

image

image

image

image

  • 求出每个方块的面积

image

本文作者:风归去

本文链接:https://www.cnblogs.com/N-lim/p/18027097

版权声明:本作品采用知识共享署名-非商业性使用-禁止演绎 2.5 中国大陆许可协议进行许可。

posted @   风归去  阅读(397)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· 无需6万激活码!GitHub神秘组织3小时极速复刻Manus,手把手教你使用OpenManus搭建本
· Manus爆火,是硬核还是营销?
· 终于写完轮子一部分:tcp代理 了,记录一下
· 别再用vector<bool>了!Google高级工程师:这可能是STL最大的设计失误
· 单元测试从入门到精通
点击右上角即可分享
微信分享提示
💬
评论
📌
收藏
💗
关注
👍
推荐
🚀
回顶
收起
🔑