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:召回率
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大的召回率
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,[email protected](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,[email protected]: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。
扫描二维码关注公众号,回复:
16679818 查看本文章
![](/qrcode.jpg)
BCEWithLogitsLoss = Sigmoid + BCELoss
计算公式为: