YOLOV5学习日记：目标检测性能指标_yolo怎么看检测速度

作者：笔触狂放9 | 2024-04-12 19:01:09

踩

yolo怎么看检测速度

一，检测精度

True/False：表示预测的对错，下文使用T/F简写

Positive/Negative：表示预测的结果，下文使用P/N简写

使用例子来进行简单的说明：actual是实际是一个什么东西，predicted是我们使用一些方法预测出来的是什么东西，我们拿苹果举例。（个人理解）

TP指的是，现在实际上拥有一个苹果，我使用方法预测出来了苹果，这是正确的预测，而且结果是苹果。

FN指的是，现在实际上拥有一个苹果，使用方法预测出来了橘子（即不是一个苹果），这是错误的预测，并且结果是橘子。

FP指的是，现在实际上没有苹果，我使用方法预测出来了苹果，这就是错误的预测，预测结果是苹果。

TN指的是，现在实际上没有苹果，使用方法预测出来了橘子，这是正确的预测，因为我没有苹果，结果是橘子。（即不是苹果，预测结果也不是苹果）

即TP和TN都是正确的预测

精度Precision：查准率，看预测的准不准，看的是预测列

$precision=\frac{TP}{TP+FP}$ （预测的对的结果除以全部预测的结果）

召回率Recall：查全率，评估找的全不全，看的是实际行

$recall=\frac{TP}{TP+FN}$ (预测是苹果的个数除以实际上苹果的总个数)

Accuracy：预测的正确部分占比

$Accuracy=\frac{TP+TN}{TP+FP+FN+TN}$

$F1 score=\frac{2\times Precision\times Recall}{Precision+Recall}$

IoU是指边界框的回归

在检测的时候我们会把目标物体框出来，那么我们预测的范围相较于实际的范围是否准确呢，就会使用到它。也理解为交并比。

以这个3×2的表格为实际范围，P为预测范围，一个表格代表面积为1的话，那IOU就是4/6，也就是他们俩相交的部分比上相并的部分。

$IoU=\frac{Area\ of\ Overlap}{Area\ of\ Union}$

如果IOU等于1，那么预测框和实际框就完全重叠。在实际操作时，我们可以给IOU设置一个阈值，比如说设置成0.5的话，当IOU＞0.5，结果就为TP，IOU＜0.5，结果就为FP。如果图片中有这个物体但是没有检测到，结果就是FN，TN是指图片所有没有预测到结果的部分，一般不常用。

P-R曲线就是精确率precision vs 召回率recall 曲线，以recall作为横坐标轴，precision作为纵坐标轴。

衡量学习出来的模型在每个类别上的好坏（比如狗，猫这样的单个类别），可以视为在P-R曲线图中线下方的区域面积。（想要具体了解可以搜一下11点计算法和积分法）

衡量学习出来的模型在所有类别上的好坏，取所有类别上AP的平均值。

从输入一张图像到输出最终结果所消耗的时间，包括前处理耗时（图像归一化），网络前传耗时，后处理耗时（非极大值抑制）

每秒钟能处理的图像数量

处理一张图像所需要的浮点运算数量，跟具体软硬件没有关系，可以公平地比较不同算法之间的检测速度。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/笔触狂放9/article/detail/412184