YOLOv5的参数IOU与PR曲线,F1 score

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。

评估参数

PPrecision，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。
RRecall，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。
F1F-Measure，F值，P与R的调和平均F=1/(λ1P+(1−λ)1R)，λ = 0.5时，简化为F1F1 = 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。

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。

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3000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。

YOLOv5的参数IOU与PR曲线,F1 score相关推荐

YOLOv5、YOLOv7改进之实验结果打印F1 Score的值(二)：新增打印F1 Score的值，便于YOLOv5系列模型对比实验获取更多精度数据，丰富实验数据
sklearn计算准确率、精确率、召回率、F1 score
目录混淆矩阵准确率精确率召回率 P-R曲线 F1 score 参考资料分类是机器学习中比较常见的任务,对于分类任务常见的评价指标有准确率(Accuracy).精确率(Precision).召 ...
百面机器学习 #2 模型评估：0102 精确率与召回率，假阳性与真阳性率，PR曲线和ROC曲线
文章目录 1. P-R(Precision-Recall)曲线 F1 score 2. 平方根误差的局限性 3. ROC曲线 ROC曲线绘制 4. AUC predict Positive predi ...
Detection：目标检测常用评价指标的学习总结（IoU、TP、FP、TN、FN、Precision、Recall、F1-score、P-R曲线、AP、mAP、 ROC曲线、TPR、FPR和AUC）
目录前言 1. IoU 2. TP.FP.TN.FN 2.1 混淆矩阵 2.2 TP.FP.TN.FN的定义 2.3 TP.FP.TN.FN在目标检测中的对应内容 2.3.1 TP,FP在目标检测中 ...
目标检测评价指标汇总—mAP，PR曲线，F1分数，FPPI，log-average miss rate等
对于了解目标检测的评价指标是很重要的,否则自己不懂这个代表什么意思,如何调参.网上有太多资料,可是杂乱,甚至有一乱说,记录下自己所学,总结下,也分享出来,也便于自己自己复习. 分为三块,1.解释相关概 ...
分类模型评估体系：混淆矩阵、PR曲线、F1、Weighted F1、Micro F1、Macro F1、ROCAUC、KS曲线、Lift曲线、GAIN曲线
目录混淆矩阵一类错误+二类错误查准率(precision)和查全率(recall) PR曲线调和参数F1
【机器学习－西瓜书】二、性能度量：召回率；P-R曲线；F1值；ROC;AUC
关键词:准确率(查准率,precision):召回率(查全率,recall):P-R曲线,平衡点(Break-Even Point, BEP):F1值,F值:ROC(Receiver Operatin ...
一文详尽混淆矩阵、准确率、精确率、召回率、F1值、P-R 曲线、ROC 曲线、AUC 值、Micro-F1 和 Macro-F1
文章目录二分类的评价指标一.混淆矩阵与 TP.TN.FP.FN 二.准确率.精确率.召回率.F1值三.P-R 曲线四.ROC 曲线.AUC 值五.P-R曲线和ROC曲线有什么区别,如何选择? ...
PR（precision recall curve）曲线是什么？PR曲线如何绘制？为什么Precision和Recall是矛盾体、此消彼长？为什么提出F1指标？
PR(precision recall curve)曲线是什么?PR曲线如何绘制?为什么PR是矛盾体.此消彼长?为什么提出F1指标? sklearn.metrics.precision_recall_ ...

YOLOv5的参数IOU与PR曲线,F1 score

YOLOv5的参数IOU与PR曲线,F1 score

YOLOv5的参数IOU与PR曲线,F1 score相关推荐

最新文章

热门文章