YoloV5相关性能指标解析

YoloV5相关性能指标解析

1,Precision(查准率/精确率)

所有预测为正样本的结果中,预测正确的比率。

Precision = TP / (TP + FP)

2,Recall (查全率/召回率)

所有正样本中被正确预测的比率。

Recall = TP / (TP + FN)
正样本 负样本
预测为正 True Positive(TP) False Positive(FP)
预测为负 False Negative(FN) True Negative(TN)

3,PR曲线(Precision-Recall)

即以Recall为横坐标,Precision为纵坐标组成的曲线

4,AP(Average Precision:PR曲线下面积)

AP:平均精度
(1) VOC2010之前

AP = 1/11 ∑ Max(p(r))    r∈{0,0.1,...,1} 
r:回召率
Max(p(r)):在r点的最大precision值
(Recall >= r时,选取Recall对应的precision的最大值作为在r点的precision)

(2)VOC2010之后

AP = 1/n ∑ Max(p(r(k)))*(r(k)-r(k-1))    r∈{0,r(0),r(1),...,r(k),1} 
r(k):第k大的回召率
Max(p(r(k))):在r点的最大precision值
(Recall >= r(k)时,选取Recall对应的precision的最大值作为在r点的precision)

5,mAP(mean Average Precision)

mAP:各类别AP的平均值

mAP = 1/m ∑AP(i)  i∈[0,m),i∈N+
m:类别数
AP(i):第i类类别的平均精度

5.1,IoU(Intersection over Union)

IoU也称作交并比,评价边界框正确性的度量指标,表示detection box(检测框)与ground truth(真实标签)的交集和并集的比值。

5.1,mAP@0.5(IoU=0.5)

TP:IoU>0.5 的检测框数量(同一GT只计算一次)
FP:IoU<=0.5 的检测框数量,或检测到同一个 GT 的多余检测框的数量
因此,Precision和Recall可以表示为:

Precision = TP / all detection boxes
Recall = TP / all ground truths

5.2,mAP@0.5:0.95

表示在不同IoU阈值(从0.5到0.95,步长0.05)上的平均mAP。
(0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95)

6,F1-score

F1-score = 2(Precision × Recall )/(Precision + Recall)

7,GIoU loss/ BECWithLogits loss

7.1 GIoU loss

计算预测边框损失,将预测边框和真实边框进行对比。

C表示可以包围住(A U B)面积的最小框,其中C \ (A U B)表示用C框的面积减去(A U B)的面积。

7.2 BECWithLogits loss

计算objectness score和class probability score的损失,结合了Sigmiod和BCELoss函数。

BCEWithLogitsLoss = Sigmoid + BCELoss

计算公式为:

来源:深度摸鱼~

物联沃分享整理
物联沃-IOTWORD物联网 » YoloV5相关性能指标解析

发表评论