标签：mAP YOLOv5 置信度 预测 标签 iou 背景图片 thres 阀值

conf_thres

1. 　　Confidence Threshold，置信度阈值。
2. 　　只显示预测概率超过conf_thres的预测结果。
3. 　　想让YOLO只标记可能性高的地方，就把这个参数提高。

iou_thres

1. Intersect over Union Threshold，交并比阈值。
2. 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。）
3. 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。
•      如下面对甜甜圈的预测一般，多个甜甜圈重叠在一起的图片中：

图1：iou-thres = 0.65   （将iou阈值设为0.65，检测出了18个甜甜圈。）

 

 

 

图2：iou-thres = 0  （设为0，检测出了6个甜甜圈，并且检测区域都没有重复。）

 

 

 

图3：iou-thres = 0.98

 

 

 

• P
  • Precision，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。

• R
  • Recall，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。

• F1
  • F-Measure，F值，P与R的调和平均
  • F=1/(λ1P+(1−λ)1R)，λ = 0.5时，简化为F1
  • F1 = 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0.1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。

AP

• 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。

如何提高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1500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。

————————————————
版权声明：本文为CSDN博主「MWHLS」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/asd123pwj/article/details/117171868

标签：mAP,YOLOv5,置信度,预测,标签,iou,背景图片,thres,阀值
来源： https://www.cnblogs.com/answerThe/p/15616811.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。