文章首发及后续更新：https://mwhls.top/2428.html
新的更新内容请到mwhls.top查看。
无图/无目录/格式错误/更多相关请到上方的文章首发页面查看。
如果有误，麻烦评论提出，谢谢。
传参
- conf_thres
- Confidence Threshold，置信度阈值。
- 只显示预测概率超过conf_thres的预测结果。
- 想让YOLO只标记可能性高的地方，就把这个参数提高。
- iou_thres
- Intersect over Union Threshold，交并比阈值。
- IOU值：预测框大小∩真实框大小 / 预测框大小∪真实框大小。
- 预测框与真实框的交集与并集的取值。
- iou_thres在detect.py中：
- 越大，则容易将对于同一个物品的不同预测结果 当成 对多个物品的多个预测结果，导致一个物品出现了多个预测结果。
- 越小，则容易将对于多个物品的不同预测结果 当成 对同一个物品的不同预测结果，导致多个物品只出现了一个预测结果。
- 如下面对甜甜圈的预测一般，多个甜甜圈重叠在一起的图片中：
- 将iou阈值设为0.65，检测出了18个甜甜圈。
- 设为0，检测出了6个甜甜圈，并且检测区域都没有重复。
- 设为0.98，检测出了111个甜甜圈，将一个甜甜圈检测成多个甜甜圈。
评估参数
- P
- Precision，精确率
- 对类A来说（下面提到的都是被预测成A的）：
- P = 正确数 / 预测总数
- 或 P = 正确数/ 正确数+错误数
- 即，预测的东西正确了多少百分比。
- R
- Recall，召回率
- 对类A来说（下面提到的都是被归为A类的）：
- R = 预测正确数 / 真实A类总数。
- 或 R = 预测正确数 / 被预测到的A + 未被预测到的A
- 即，预测的东西找到了多少百分比。
- F1
- F-Measure，F值，P与R的调和平均
- F=1/(λ1P+(1−λ)1R)，λ = 0.5时，简化为F1
- F1 = 2*P*R / (P + R)
- 例：对于一个二分类问题来说：
- 要对动物进行分类，分为猫与非猫两类。样本中，猫有350份，非猫有150份。
- 预测出了400份被认为是猫，其中，正确的有300份，错误的有100份。则：
- P = 300 / 400 = 0.75
- R = 300 / 350 ≈ 0.86
- PR图
- 横坐标是R值，纵坐标是P值，曲线表示当召回率为R时，精确率P的大小。
- 例：
- 假设测试集图片数量为一百张，且测试了一百张。
- 当A类的R值设为0时，表示以某精确度P1计算，没有检测到A类。
- 当A类的R值设为0.1时，表示以某精确度P2计算，检测到了A类总数的10%。
- 以此类推，当A类的R值设为1时，表示以某精确度P11计算，检测到了所有的A类标签。
- 可以看出，随R值的升高，A被预测到的数量也会增加，即那些可能性较低的A类也逐渐被预测出来。
- 因此，可以判断P值是随着R的升高而降低。
- P值如果设为100，即要求被标记出来的区域一定属于A类，这种概率非常低，所以可能一个A类都识别不出来，进而导致R值为0。
- 而若P值设为0.1，则要求被标记出来的区域只要有百分十的概率属于A类即可，那么将有很多A类被标记，R值也进一步提高。
- 因此，PR图左下方的面积越大，则表示模型对该数据集的效果越好。
- AP
- Average Precision
- 以某种方式计算AP值来表达PR图的面积
- 下面提到的是PASCAL VOC竞赛于2010年前的计算方式，
- 根据我查到的资料，也是YOLOv3的计算方式（目标检测中常提到的IoU和mAP究竟是什么？）。
- 但我没有在YOLOv5的github wiki上找到相关资料，也没有在其它地方找到。
- 使用平均，以R in range(0 : 1 : 0.1)作为IOU，满足这个R值的最大P值作为Pi，求11个Pi的平均数。
- 这里的R是以0为起点，1为终点，0.1为步长的十一个值，1也算。
- 即上面解释PR图时的例子里R与P的关系。
- mAP
- mean Average Precision
- 每个类的AP值的平均数。
- 用于表达多类标签预测的性能，如AP一样，mAP越高，性能越好。
- mAP@.5
- 当IoU为0.5时的mAP。
- mAP@.5 : .95
- 当IoU为range(0.5 : 0.95 : 0.05)时的mAP的平均数。
如何提高mAP
- 优化数据集：
- YOLO官方推荐数据集需求：
- 每类图片数量：每类大于1500张图片
- 每个类的实例：每类实例（标签）大于一万份。
- 图像多样性：确保图片来自不同环境。对于现实世界物体的识别，推荐使用来自不同时间、不同季节、不同天气、不同光照度、不同角度、不同来源的图片。
- 标签一致性：所有类中所有实例必须都被标签标记，不要遗漏。
- 标签准确性：标签能准确标记对象，不要在对象与标记框之间留下缝隙。没有对象可以不用标记（背景图片）。
- 背景图片：背景图片是指没有对象的图片，用来减少误报。YOLO推荐0~10%的背景图片来减少误报（COCO数据集包含1000张背景图片，占据总数1%）。
- 简单来说：
- 增加不同角度/光照度的数据集。
- 增加不同环境的数据集。
- 增加背景图片（无目标的图片）。
- 增加数据集大小。
- 确保标签标定准确。
- YOLO官方推荐数据集需求：
- 欢迎补充。
参考文献
- 推荐系统评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)
- 目标检测中常提到的IoU和mAP究竟是什么？
- 目标检测评价指标(mAP)
- mAP@0.5与mAP@0.5:0.95的含义，YOLO
版权声明：本文为CSDN博主「MWHLS」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/asd123pwj/article/details/117171868
暂无评论