当前位置:   article > 正文

YOLOV5学习日记:目标检测性能指标_yolo怎么看检测速度

yolo怎么看检测速度

一,检测精度

混淆矩阵介绍

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

Precision,Recall,F1score

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

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。

PP
PP

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 curve

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。

AP

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)

MAP

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。

二,检测速度

前传耗时

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)

每秒帧数FPS

每秒钟能处理的图像数量

浮点运算量FLOPS

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。

参考视频:最适合新手入门的【YOLOV5目标实战】教程!基于Pytorch搭建YOLOV5目标检测平台!环境部署+项目实战(深度学习/计算机视觉)_哔哩哔哩_bilibili

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
推荐阅读
相关标签
  

闽ICP备14008679号