yolo模型学习笔记——1——物体检测评估指标

1.置信度

        表示模型预测的边界框中存在目标物体的概率以及反应预测框和真实框的定位质量

2.阈值

(1)定义

        决定一个预测框是否被视为为正类的关键参数，通过调整不同的阈值，获得不同的精度和召回率。yolo模型会为每个预测框生成一个置信度分数，表示该模型对该框内存在物体的确信度，阈值的作用是决定这个置信度分数的临界值

(2)阈值与精度的关系

        精度表示预测为正类的样本中，真正为正类的概率，当阈值较高时，只有置信度很高的预测才会被当作目标物体，所以阈值越高，精度越高，召回率越低，可能导致错过一些正确的目标

(3)阈值与召回率的关系

        召回率表示所有实际为正样本的目标中，被正确识别为正类的概率，阈值较低时，更多的预测框会被认为是正类，基数变大，召回率会更高，但阈值越低，更多错误预测框被误判为正类，导致精度下降

3. 精度

        模型预测为正类(目标物体)的样本中，实际为正类的概率

4. 召回率recall

        所有实际为正类的样品中，被模型正确识别为正类的比例

5. PR曲线 (Precision-Recall)

       评估分类模型的一个重要工具，通过考虑精度和召回率来展示模型的性能，精度和召回率呈现反比， 通过不同的阈值计算出不同的精确度和召回率，坐标轴上，横轴代表召回率recall，纵轴代表精确度，PR曲线与坐标轴围成的面积越大，模型性能越好

2.AP（Average Precision）和mAP（mean Average Precision）

(1)AP

        表示对单一类型目标的检测精度指标，为PR曲线与坐标轴的面积，AP值越大越好

(2)mAP

        表示对各类型目标检测精度指标的平均值，mAP值越大越好

3.coco

(1)定义

        计算机视觉中常用的基准数据集之一，微软团队2014年推出，用于目标检测，实例分割

(2)COCO数据集构成

        1.训练集 train

        2.验证集 val

        3.测试集 test

4.IOU

(1)定义

        表示预测框和真实框之间的重叠程度，预测框和真实框的交并比

(2)应用

        1.IOU常用于计算损失函数(位置损失)

        2. 非极大值抑制(NMS)

        3.确定预测框是否为正类

        4. 评估模型性能 MAP

5.VOC

        是目标检测领域传统的数据集，标注格式为XML

6.yolov1的优缺点

(1)优点

        速度快 简单

(2)缺点

        1.每个cell只能预测一个类别，如果重叠，无法检测

        2.小物体检测效果一般，长宽比可选择但单一