IoU

IoU,全称是Intersection over Union,即交并比,是一种衡量目标检测模型预测准确度的重要指标。

模型预测的边界框叫做:预测框,标注的真实边界框叫做:真实框。IoU就是这两个框的交集面积与并集面积的比值

image-20240702221520719

置信度

置信度,(Confidence)是模型对预测边界框中存在目标物体的确信程度,通常以 0 到 1 之间的概率表示。置信度分数越高,表示模型越确定该边界框内包含目标物体。

其计算公式为:置信度 = 类别概率 * 边界框概率

  • 类别概率

    类别概率是模型预测某个边界框中目标物体属于某个类别的置信度分数。通过 softmax 函数对模型输出的类别得分进行归一化,得到每个类别的概率分布。

  • 边界框概率

边界框概率 是模型预测某个边界框中确实包含目标物体的置信度分数。通过 sigmoid 函数对模型输出的边界框得分进行归一化,得到边界框包含物体的概率。

TP、FP、TN、FN

  • TP (True Positive):真正例,置信度满足设定的阈值, 并且预测正确(预测IoU满足阈值+预测类别正确)。
  • FP (False Positive):假正例,置信度满足阈值,并且预测错误。(预测IoU不满足阈值 或者 预测类别错误)
  • TN (True Negative):真负例,不受置信度影响。即正确的把非物体预测为非物体,一般目标检测不关心非物体的检测,因此一般不使用这个指标。
  • FN (False Negative):假负例,置信度不满足阈值,并且预测错误。一般描述漏检的情况。(因为不满足置信度阈值的预测框会被过滤掉,因此容易存在目标物体未被框选)

精度和召回率

精度(Precision) :在所有被预测为正例(目标物体)的实例中,实际为正例的比例。计算公式

Precision=TPTP+FP

召回率(Recall):在所有实际为正例(目标物体)的实例中,被正确预测为正例的比例。计算公式

Recall=TPTP+FN

在实际应用中,精度和召回率往往需要权衡:

  • 高精度低召回率:模型很少犯错误,但可能漏掉很多实际存在的目标物体。
  • 高召回率低精度:模型几乎不会漏掉目标物体,但可能会有很多错误检测。

mAP

AP(平均精度,Average Precision),用来衡量模型在多个类别上的检测性能。AP 是精度-召回率曲线下的面积(AUC),mAP 是所有类别的 AP 的平均值

  • AP

    AP通常有两种计算方法

    • VOC数据集计算方法(了解):11点插值法,即IoU固定为0.5,置信度从0-1,每隔0.1作为一个置信度,分别计算每个置信度下的精度和召回率,形成一条P-R曲线,计算曲线围成每块矩形的面积之和除以11后的值。
    • COCO数据集计算方法(常用):IoU不再固定0.5,而是从0.5-0.95,每隔0.05计算一次AP,然后再把所有的AP求平均值,得到最终的AP。

我们非常希望这篇文章能为你提供所需的帮助。你的反馈和建议对我们来说都是宝贵的资源。如果你有任何想法或问题,别犹豫,请在下方评论区留言。同时,如果你觉得这篇文章有用,欢迎分享给你的朋友们。你的参与促使我们前行,期待与你一起学习和成长。

如果这篇文章对您有帮助,也可以赞赏博主喝杯茶~

评论:

内容:

姓名(必填):

邮箱(必填):