YOLOv5的置信度阀值与iou阀值及P R详解_iou阈值

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：
图1：iou-thres = 0.65 （将iou阈值设为0.65，检测出了18个甜甜圈。）

图2：iou-thres = 0 （设为0，检测出了6个甜甜圈，并且检测区域都没有重复。）

图3：iou-thres = 0.98

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 = 2PR / (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0.1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。

————————————————
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