YOLO基础-目标检测的性能指标详解与计算方法

目标检测是计算机视觉中的重要任务,主要目的是在图像中识别并定位特定的物体。YOLO(You Only Look Once)系列模型作为目标检测领域的代表性方法之一,凭借其高效和准确的特点,广泛应用于实际场景中。本文通过详细介绍目标检测的性能指标及其计算方法,帮助读者更好地理解和评估YOLO系列模型的表现。


一、目标检测性能指标介绍

目标检测 任务中,常用的性能指标主要包括 检测精度指标检测速度指标

1. 检测精度指标

检测精度指标 主要有以下几种:

中文名称英文名称简称意义
精确率 (查准率)PrecisionPrecision评估模型预测的准不准,在所有被预测为正样本的数据中,实际为正样本的比例。
召回率(查全率)RecallRecall评估模型找的全不全,在所有实际为正样本的数据中,被正确预测为正样本的比例。
F1 scoreF1 scoreF1 score精确率和召回率的调和平均数,用于综合评估模型的精确性和召回能力。
交并比Intersection over UnionIOU衡量预测框和真实框重叠程度,交集面积与并集面积的比值。
精确率-召回率曲线Precision-Recall curveP-R curve通过不同阈值下的精确率和召回率来评估模型性能的曲线。
平均精度Average PrecisionAP精确率-召回率曲线下的面积,用于衡量模型在不同阈值下的整体表现。
平均精度均值mean Average PrecisionmAP所有类别的AP取平均值,用于衡量多类别检测模型的整体性能。

2. 检测速度指标

检测速度指标 主要有以下几种:

中文名称英文名称简称意义
前传耗时Forward Pass TimeForward Pass Time模型从输入图像到输出预测结果所需的时间。
每秒帧数Frames Per SecondFPS模型每秒处理的图像帧数,FPS越高,表示模型速度越快。
浮点运算量Floating Point OperationsFLOPS模型在推理过程中所需的浮点运算次数,FLOPS越低,表示模型计算量越小,速度越快。

二、各性能指标的计算方法

为了说明这些指标的计算方法,我们将举一个形象的例子:

草原上有100头牛,其中60头是公牛,40头是母牛,我们要通过模型识别出所有公牛。

最终模型预测结果如下:

  • 实际为公牛且被预测为公牛(TP):50头
  • 实际为公牛但被预测为母牛(FN):10头
  • 实际为母牛但被预测为公牛(FP):5头
  • 实际为母牛且被预测为母牛(TN):35头

在这个例子的基础上,我们来讲解和计算下面的指标数据。


1. 基础数据与混淆矩阵

根据上面的实验结果数据,我们将数据转成如下表格:

实际/预测公牛 (Positive)母牛 (Negative)
公牛(True)TP = 50FN = 10
母牛(False)FP = 5TN = 35

其中行为牛的实际性别,列为预测出来的结果。

不看横竖标题,只看中间的两行两列:

[ T P F N F P T N ] = [ 50 10 5 35 ] \begin{bmatrix} TP&FN\\FP&TN\end{bmatrix}=\begin{bmatrix} 50&10\\5&35\end{bmatrix} [TPFPFNTN]=[5051035]

两行两列的数据组成了一个2x2的矩阵, [ T P F N F P T N ] \begin{bmatrix} TP&FN\\FP&TN\end{bmatrix} [TPFPFNTN]这个矩阵就叫做 混淆矩阵

我们提炼出行和列的首字母缩写,可以得到四个标签,TPTNFPFN,这是目标检测里最基础的概念:

  • TP:被模型预测为正类的正样本
  • TN:被模型预测为负类的负样本
  • FP:被模型预测为正类的负样本
  • FN:被模型预测为负类的正样本

通过这四个样本数据,我们可以计算出下面各种性能指标。


2. 精确率与召回率

① 精确率 (Precision)

精确率,又叫 查准率,评估的是模型预测的准不准,在所有被预测为正样本(公牛)的数据中,实际为正样本的比例。

公式如下:

P r e c i s i o n = T P T P + F P Precision=\frac{TP}{TP+FP} Precision=TP+FPTP

代入数据计算:

P r e c i s i o n = 50 50 + 5 = 50 55 ≈ 0.909 Precision=\frac{50}{50+5}=\frac{50}{55}≈0.909 Precision=50+550=55500.909

精确率 约为0.909。


② 召回率 (Recall)

召回率,又叫 查全率,评估的是模型找的全不全,在所有实际为正样本(公牛)的数据中,被正确预测为正样本的比例。

公式如下:

R e c a l l = T P T P + F N Recall=\frac{TP}{TP+FN} Recall=TP+FNTP

代入数据计算:

R e c a l l = 50 50 + 10 = 50 60 ≈ 0.833 Recall=\frac{50}{50+10}=\frac{50}{60}≈0.833 Recall=50+1050=60500.833

召回率 约为0.833。


3. F1 score

通常我们使用 PrecisionRecall 两个指标来衡量模型的好坏,为了同时权衡这两个量,我们选用 F1 score 来将这两个量组合,也就是 F1 score

F1 score (又称 F score, F measure) 是精确率和召回率的调和平均数,用于综合评估模型的精确性和召回能力。

F1 score 的计算公式如下:

F1 s c o r e = 2 1 P r e c i s i o n + 1 R e c a l l = 2 × P r e c i s i o n × R e c a l l P r e c i s i o n + R e c a l l score=\frac{2}{\frac{1}{Precision}+\frac{1}{Recall}}=2×\frac{Precision×Recall}{Precision+Recall} score=Precision1+Recall12=2×Precision+RecallPrecision×Recall

代入数据计算:

F1 s c o r e = 2 × 0.909 × 0.833 0.909 + 0.833 score=2×\frac{0.909×0.833}{0.909+0.833} score=2×0.909+0.8330.909×0.833 s c o r e = 2 × 0.758 1.742 score=2×\frac{0.758}{1.742} score=2×1.7420.758 ≈ 0.870

F1 score 为0.870。


4. IOU交并比

IOU (Intersection over Union) 是衡量预测框和真实框重叠程度的指标。

数学公式表达为: I o U ( A , B ) = A ∩ B A ∪ B IoU(A, B) =\frac{A ∩ B}{A ∪ B} IoU(A,B)=ABAB

在目标检测里,我们可以数形结合,表示为:

I O U = 预测框与真实框的交集面积 预测框与真实框的并集面积 IOU=\frac{预测框与真实框的交集面积}{预测框与真实框的并集面积} IOU=预测框与真实框的并集面积预测框与真实框的交集面积

假设某次目标检测结果如图所示:
在这里插入图片描述
原目标(真实框)为 Object 范围,检测到的结果(预测框)为 Result 范围,其中 ObjectResult 重合面积为40,二者有累计10的未重合面积。由图易得,本次检测中预测框和真实框的交集面积为40,预测框和真实框的并集面积为50,

代入数据计算:

I O U = 40 50 = 0.8 IOU=\frac{40}{50}=0.8 IOU=5040=0.8

IOU 为0.8。

IOU 的值位于0-1之间,IOU 为1意味着预测边界框和地面真实边界框完全重叠。

通常,我们需要为 IOU 设置阈值,以确定对象检测是否有效。

假设我们将 IOU 阈值设置为 0.5,在这种情况下:
如果 IOU >= 0.5,则将目标检测归类为 True Positive (TP)
如果 IOU < 0.5,则为错误检测,并将其归类为 False Negative (FP)


5. P-R曲线

假设在不同阈值下得到以下 精确率召回率

阈值精确率召回率
0.50.9090.833
0.60.9200.800
0.70.9300.750
0.80.9400.700
0.90.9500.650
1.00.9600.600

我们根据这组数据绘制横坐标为 Recall、纵坐标为 Precision 的折线图。

在这里插入图片描述

这个折线图就叫做 P-R曲线 (Precision-Recall Curve)

P-R曲线 是通过不同 阈值 下的 精确率召回率 来评估模型性能的曲线,展示了不同 阈值精确率召回率 的关系。


6. AP和mAP

① AP (Average Precision)

AP 是P-R曲线下的面积,用于衡量模型在不同阈值下的整体表现。

在这里插入图片描述
常用的计算方式包括:

  • 11点计算法 (11-point Interpolation):在 Recall 的每个固定点(0.0, 0.1, 0.2, …, 1.0)上最大精度的平均值。
  • 所有点的平均值:对所有数据点的精度进行平均。

11点计算法 已经逐步不用了,我们优先使用 所有点平均值 的计算方法。

计算方法为:

A P = ∫ 0 1 P r e c i s i o n ( R e c a l l ) d R e c a l l ≈ ∑ n ( R e c a l l n − R e c a l l n − 1 ) P r e c i s i o n n AP=\int_0^1Precision(Recall)dRecall≈\sum_n(Recall _n-Recall _{n-1})Precision_n AP=01Precision(Recall)dRecalln(RecallnRecalln1)Precisionn

代入数据计算:

A P = ( 0.833 − 0.800 ) × 0.909 + ( 0.800 − 0.750 ) × 0.920 + ( 0.750 − 0.700 ) × 0.930 + ( 0.700 − 0.650 ) × 0.940 + ( 0.650 − 0.600 ) × 0.950 + ( 0.600 − 0 ) × 0.960 AP = (0.833−0.800)×0.909+(0.800−0.750)×0.920+(0.750−0.700)×0.930+(0.700−0.650)×0.940+(0.650−0.600)×0.950+(0.600−0)×0.960 AP=(0.8330.800)×0.909+(0.8000.750)×0.920+(0.7500.700)×0.930+(0.7000.650)×0.940+(0.6500.600)×0.950+(0.6000)×0.960 0.0300 + 0.0460 + 0.0465 + 0.0470 + 0.0475 + 0.5760 = 0.793 0.0300+0.0460+0.0465+0.0470+0.0475+0.5760=0.793 0.0300+0.0460+0.0465+0.0470+0.0475+0.5760=0.793

AP 为0.793。


② mAP (mean Average Precision)

在实际操作中,我们的目标检测效果往往会受到检测目标种类不同的影响,导致精确度有上下浮动,比如我们对牛的性别识别,受牛种类影响,同种牛之间特征相似,异种特征差异明显,故不同种类间检测精确度会有差异。

用下面三组不同种类的牛的目标检测实验数据作为示例:

类别AP
奶牛0.774
肉牛0.793
耗牛0.758
水牛0.808

这时,我们需要一个涵盖各个种类牛的整体的平均精度,这个平均精度就是 mAP

mAP 是对所有类别的 AP 取平均值,用于衡量多类别检测模型的整体性能。

计算公式为:

m A P = 1 n ∑ i = 1 n A P i mAP=\frac{1}{n}\sum_{i=1}^{n} AP_i mAP=n1i=1nAPi

代入数据计算:

m A P = 1 4 ( 0.774 + 0.793 + 0.758 + 0.808 ) mAP=\frac{1}{4}(0.774+0.793+0.758+0.808) mAP=41(0.774+0.793+0.758+0.808) 1 4 \frac{1}{4} 41 × 3.133 = 0.78325

mAP 约为0.783。


③ AP 和 mAP 的比较

APmAP 区别如下:

指标意义
AP衡量的是学习出来的模型在每个类别上的好坏;
mAP衡量的是学出的模型在所有类别上的好坏;

7. 检测速度指标

检测速度指标 是评估模型的重要性能指标之一,影响在实时场景中的 可用性效率

检测速度指标 通常包含以下几种:

指标详细介绍
前传耗时 (Forward Pass Time)前传耗时 (Forward Pass Time) 是指模型从接收到输入图像到输出预测结果所需的时间。它是衡量模型处理单张图像效率的重要指标。前传耗时 越短,意味着模型在实际应用中能更快地做出预测。假设某模型处理一张图像的 前传耗时 为50毫秒,这表明模型在50毫秒内可以完成一次前向传播并输出结果。在实际应用中,较低的 前传耗时 可以确保更高的响应速度,尤其在需要实时反馈的场景中,例如自动驾驶和视频监控。
每秒帧数 (FPS)每秒帧数 (FPS) 是指模型每秒钟能够处理的图像帧数。FPS 是评估模型实时处理能力的重要指标。假设某模型的 FPS 为20帧每秒,这意味着该模型每秒钟可以处理20张图像。在实际应用中,较高的 FPS 可以确保视频流或连续图像处理的流畅性,避免延迟和卡顿现象。对于需要实时处理的任务,如监控视频分析和实时对象检测,高 FPS 至关重要。
浮点运算量 (FLOPS)浮点运算量 (FLOPS) 是指模型在推理过程中所需的浮点运算次数。FLOPS 是评估模型计算复杂度的指标之一。假设某模型的 FLOPS1.5 GFLOPS(即15亿次浮点运算),这表示模型在每次推理过程中需要执行15亿次浮点运算。较低的FLOPS通常意味着模型更高效,适合在资源受限的设备上运行,如移动设备或嵌入式系统。在选择模型时,FLOPS 是权衡模型性能与计算资源的重要参考因素。

前传耗时每秒帧数浮点运算量 是衡量检测速度的重要指标。高效的模型应在保证精度的同时,具备较低的前传耗时和 FLOPS,以及较高的 FPS,从而在各种实际应用场景中表现出色。


三、目标检测性能指标总结

在目标检测领域,精确率召回率F1 Score交并比 (IoU) 是最常用的性能评估指标。这些指标帮助我们全面理解模型的检测能力。精确率 衡量模型预测的准确性,召回率 则评估其覆盖所有正样本的能力,F1 Score 在二者之间找到平衡,而 交并比 则具体反映预测框与真实框的重合程度。通过这些指标,我们不仅能够确定模型是否能够准确识别目标,还能评估其在不同场景下的实际应用效果。高精确率高召回率高IoU值 的模型在实际应用中往往表现更加出色。

综合各项性能指标,目标检测模型的优劣不仅仅体现在精度和速度上,更重要的是其在实际应用中的 适用性鲁棒性。一个优秀的目标检测模型应在保证 高精确率高召回率 的同时,具备较低的前传耗时和FLOPS,以及较高的FPS,从而在各种实时和复杂环境中表现优异。随着深度学习技术的不断进步,未来的目标检测模型将会更加高效和智能,不仅能够处理更大规模的数据,还能适应更多元化的应用场景,从而为智能视觉系统的发展带来更广阔的前景。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/399886.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

AI技术在招聘数据分析洞察中的作用

一、引言&#xff1a;AI赋能招聘新纪元 在数字化转型浪潮中&#xff0c;人工智能技术&#xff08;AI&#xff09;正以前所未有的速度渗透至各行各业&#xff0c;其中&#xff0c;招聘领域正经历着一场深刻的变革。传统招聘模式依赖于人工筛选简历、面试评估等低效且主观性强的…

2024年翻译工具新风尚:实时翻译与精准度并进

语言交流的障碍随着全球化的不断深入日益成为连接不同文化和国家的挑战。然而&#xff0c;在科技日新月异的今天&#xff0c;类似谷歌翻译这样的工具正在高速发展这。这次我们来一起探讨深受用户喜欢的翻译工具有哪些。 1.福昕在线翻译 链接直达&#xff1a;https://fanyi.pd…

数据结构 - 位图 | 布隆过滤器

文章目录 一、位图1、位图概念2、实现一个简略的位3、位图的优缺点4、位图的应用场景 二、布隆过滤器1、提出2、概念3、布隆过滤器的实现 三、海量数据处理1、哈希切割2、面试题 一、位图 1、位图概念 位图&#xff08;Bitmap&#xff09;是一种非常高效的数据结构&#xff0c…

MySQL基础练习题38-每位教师所教授的科目种类的数量

目录 题目 准备数据 分析数据 总结 题目 查询每位老师在大学里教授的科目种类的数量。 准备数据 ## 创建库 create database db; use db;## 创建表 Create table If Not Exists Teacher (teacher_id int, subject_id int, dept_id int)## 向表中插入数据 Truncate table…

[Megagon Labs] Annotating Columns with Pre-trained Language Models

Annotating Columns with Pre-trained Language Models 任务定义 输入&#xff1a;一张数据表&#xff0c;但没有表头&#xff0c;只有表中的数据。 输出&#xff1a;每一列数据的数据类型&#xff0c;以及两列数据之间的关系。 数据类型和数据关系都是由训练数据决定的固定…

自建Gitlab和Gitlab runner并推送镜像到Harbor

1. 创建虚拟机 整体规划如下 1.1 创建3台虚拟机 系统版本Centos7.9 设置IP分别为 192.168.200.201 、192.168.200.202、 192.168.200.203 1.2 安装docker 3台虚拟机都安装docker&#xff0c;参考文章 安装docker 1.3 修改daemon.json 修改 /etc/docker/daemon.json 文件…

开源异构数据库同步工具DBSyncer

DBSyncer是一款开源的数据同步中间件&#xff0c;它提供了多种数据库和数据源之间的同步解决方案&#xff0c;包括MySQL、Oracle、SqlServer、PostgreSQL、Elasticsearch(ES)、Kafka、File、SQL等同步场景。 以下是对DBSyncer的详细介绍&#xff1a; 一、主要功能与特点 多种…

业界首个OpenTelemetry结合eBPF的向导式可观测性平台APO正式开源

AutoPilot Observability (简称APO&#xff09;是什么&#xff1f; 开箱即用的可观测性平台&#xff1a;APO 致力于提供一键安装、开箱即用的可观测性平台。APO 的 OneAgent 支持一键免配置安装 Tracing 探针&#xff0c;支持采集应用的故障现场日志、基础设施指标、应用和下游…

Unity物理模块 之 ​2D碰撞器

本文仅作笔记学习和分享&#xff0c;不用做任何商业用途 本文包括但不限于unity官方手册&#xff0c;unity唐老狮等教程知识&#xff0c;如有不足还请斧正 1.碰撞器是什么 在 Unity 中&#xff0c;碰撞器&#xff08;Collider&#xff09;是一种组件&#xff0c;用于检测物体之…

P37-数据存储

数据类型介绍 前面学习了基本的内置类型&#xff1a; 以及它们所占存储空间的大小。 类型的意义&#xff1a; 1.使用这些类型开辟空间的大小&#xff08;大小决定了使用范围&#xff09; 2.如何看带内存空间的视角 类型的基本归类 整形家族 之所以char也分类在其中是因为实…

【图形验证和AI智能及CHATGPT对抗影响的是用户体验】

验证码本质上自带一层答案的语义&#xff0c;这原本是天然的区分人和自动程序的地方&#xff0c;但在今日却未必&#xff0c;由于AI智能及CHATGPT的发展机器要识别也变得容易。 一 &#xff1a;攻防思路 黑产对于验证码图片答案的获取主要有两种手段——图片穷举破解和图片模…

ComfyUI - 在服务器中部署 AIGC 绘画的 ComfyUI 工具 教程

欢迎关注我的CSDN&#xff1a;https://spike.blog.csdn.net/ 本文地址&#xff1a;https://spike.blog.csdn.net/article/details/141140498 免责声明&#xff1a;本文来源于个人知识与公开资料&#xff0c;仅用于学术交流&#xff0c;欢迎讨论&#xff0c;不支持转载。 ComfyU…

分布式知识总结(基本概念)

文章收录在网站&#xff1a;http://hardyfish.top/ 文章收录在网站&#xff1a;http://hardyfish.top/ 文章收录在网站&#xff1a;http://hardyfish.top/ 文章收录在网站&#xff1a;http://hardyfish.top/ 基本概念 吞吐量 指系统在单位时间能够处理多少个请求 QPS 每秒…

Android 13 GMS 内置壁纸

如图&#xff0c;原生系统上&#xff0c;设备上的壁纸 显示系统内置壁纸。如果没有添加内置壁纸&#xff0c;就显示默认的壁纸。点击进去就是预览页面 扩展下&#xff0c;默认壁纸在 frameworks/base/core/res/res/drawable-sw720dp-nodpi/default_wallpaper.png frameworks/b…

vue3中ref、reactive的理解

本文主要介绍了vue3中ref、reactive的使用。文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧。 在讲解这两个api工具之前&#xff0c;我们得先了解下watch和watchEffect这两个函数的使用方法和它…

通过es+ Kibana+ LogStash收集日志

架构 服务产生的日志&#xff0c;通过logstash收集到es中&#xff0c;并通过kibana展示出来&#xff0c;这里不再介绍三者的作用 部署esKibana 这三个的版本尽量要保持一致&#xff0c;我使用的是7.13.4 通过docker部署es 命令&#xff1a; docker run --name elasticsea…

2024.8.12(LVS)

一、LVS 1、描述以及工作原理 1. 什么是LVS linux virtural server的简称,也就是linxu虚拟机服务器,这是一个由章文嵩博士发起的开源项目,官网是http://www.linuxvirtualserver.org,现在lvs已经是linux内核标准的一部分,使用lvs可以达到的技术目标是:通过linux达到负载均衡技…

C#压缩和解压文件

这里用两种方法实现C#压缩和解压文件 1、使用System.IO.Compression名称空间下的相关类(需引用 System.IO.Compression.FileSystem和System.IO.Compression程序集) 创建zip压缩文件 使用ZipFile类CreateFromDirectory()方法来创建zip压缩文件。它有3种重载形式&#xff0c;这…

【Java数据结构】---Queue

乐观学习&#xff0c;乐观生活&#xff0c;才能不断前进啊&#xff01;&#xff01;&#xff01; 我的主页&#xff1a;optimistic_chen 我的专栏&#xff1a;c语言 &#xff0c;Java 欢迎大家访问~ 创作不易&#xff0c;大佬们点赞鼓励下吧~ 文章目录 前言队列Queue队列的模拟…

机器学习——第十一章 特征选择与稀疏学习

11.1 子集搜索与评价 对一个学习任务来说&#xff0c;给定属性集&#xff0c;其中有些属性可能很关键、很有用&#xff0c;另一些属性则可能没什么用.我们将属性称为"特征" (feature) &#xff0c;对当前学习任务有用的属性称为"相关特征" (relevant featu…