YOLO入门理解 · 2评估指标

入门理解 · 评估指标

核心概念

• IoU（Intersection over Union）：预测框与真实框的交并比，用来衡量检测结果是否准确。
• Precision（精度）：正确预测为正例的比例（TP / (TP + FP)）。
• Recall（召回率 / 查全率）：实际正例中被正确预测的比例（TP / (TP + FN)）。
• PR 曲线：在不同阈值下绘制 Precision 与 Recall 的关系曲线。
• mAP（mean Average Precision）：对多个类别的平均精度取平均，衡量整体检测性能。

---

提出问题

• 如何客观评价目标检测算法的性能？
• 为什么仅靠精度或召回率不足以衡量检测效果？
• 如何将不同阈值下的检测表现综合成一个指标？

---

论点与解决方案

• 单独使用 Precision 或 Recall 不能全面反映模型性能，因为两者存在天然矛盾。
• 解决方案：
  • 先通过 IoU 判断预测是否正确。
  • 在不同阈值下计算 Precision 与 Recall，绘制 PR 曲线。
  • 以 曲线下的面积 表示平均精度（AP），再对所有类别取平均，得到 mAP。

---

关键机制 / 细节

• IoU 计算：

  IoU=预测框∩真实框预测框∪真实框IoU = \frac{预测框 \cap 真实框}{预测框 \cup 真实框}IoU=预测框∪真实框预测框∩真实框

  • IoU 越高，预测框与真实框重合度越大，检测效果越好。

• 混淆矩阵指标：

  • TP（True Positive）：真实为正，预测为正。
  • FP（False Positive）：真实为负，预测为正。
  • FN（False Negative）：真实为正，预测为负。
  • TN（True Negative）：真实为负，预测为负。

• Precision 公式：

  Precision=TPTP+FPPrecision = \frac{TP}{TP + FP}Precision=TP+FPTP

• Recall 公式：

  Recall=TPTP+FNRecall = \frac{TP}{TP + FN}Recall=TP+FNTP

• PR 曲线 & AP：

  • 随着置信度阈值变化，Precision 与 Recall 呈反比关系。
  • 在所有阈值下绘制 PR 曲线，并计算曲线下的面积（AP）。

• mAP：对所有类别的 AP 取平均，作为综合性能指标。mAP 越高，模型越好。

---

总结

• IoU 用于判定预测是否正确，是计算 Precision 和 Recall 的基础。
• Precision 与 Recall 体现了检测任务中的准确性与覆盖度，但需要结合使用。
• mAP 是最常用的综合指标，能够平衡不同阈值下的表现。
• 在工程应用中，速度（FPS）与 mAP 常常相互制约，需要根据任务需求权衡。