YOLOv5解析 | 参数与性能指标

传参

• conf_thres：Confidence Threshold，置信度阈值，即以下图片上的值。只显示预测概率超过conf_thres的预测结果。

• iou_thres：Intersect over Union Threshold，交并比阈值。
  • 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。
  • 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。

评估参数

• 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 = 2PR / (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时，表示以某精确度P1计算，没有检测到A类。
• 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

• 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。