评价指标(Evaluation Metrics)
-
-
- 混淆矩阵(Confusion Matrix)
- 归一化混淆矩阵(Normalized Confusion Matrix)
- 精确度(Precision)
- 召回率(Recall)
- F1值(F1-Score)
- 平均精确度(Average Precision, AP)
- 平均精确度(Mean Average Precision, mAP)
- 交并比(Intersection Over Union, IoU)
- mAP50
- mAP50-95
- 检测时间(Detection Time)
- 每秒帧率(Frames Per Second, FPS)
-
混淆矩阵(Confusion Matrix)
下面介绍四个概念:
-
真阳性(True Positive, TP)
TP:模型预测是行人,预测正确(实际是行人,而且也被模型预测为是行人)
-
真阴性(True Negative, TN)
TN:模型预测非行人,预测正确(实际不是行人,而且也被模型预测为非行人)
-
假阳性(False Positive, FP)
FP:模型预测是行人,预测错误(实际非行人,但是被模型预测为是行人)
-
假阴性(False Negative, FN)
FN:模型预测非行人,预测错误(实际是行人,但是被模型预测为非行人)
混淆矩阵是对检测结果的可视化概览,是一种用于评估和可视化分类模型性能的重要工具。它以表格形式展现,直观地显示了模型预测类别与实际类别之间的对应关系(即TP、TN、FP、FN)。
归一化混淆矩阵(Normalized Confusion Matrix)
混淆矩阵的归一化,就是对混淆矩阵所有数值整体做了归一化处理,即将每个单元格的值除以该类别实际样本数,从而得到表示分类准确率的百分比。这种标准化可以直观地比较类别间的分类准确率,并识别出模型在不同类别上表现的差异。在归一化混淆矩阵中,对角线颜色越深,代表该模型对于此数据集的各类别识别能力越强。
精确度(Precision)
在被分类器预测为正例的样本中有多少是正确的。
召回率(Recall)
在所有实际为正例的样本中有多少被分类器预测为正例。
F1值(F1-Score)
它是精确度和召回率的综合表现,当精确度和召回率出现难以权衡的时候使用。
平均精确度(Average Precision, AP)
用于计算不同类别的平均精确度。
平均精确度(Mean Average Precision, mAP)
多类别问题的平均精确度。
交并比(Intersection Over Union, IoU)
- 在目标检测中,它用于衡量模型生成的候选框与原标记框之间的重叠程度。
- IoU值越大,表示两个框之间的相似性越高。通常,当IoU值大于0.5时,认为可以检测到目标物体。这个指标常用于评估模型在特定数据集上的检测准确度。
mAP50
- 定义:mAP50 是指 IoU 阈值固定为 0.5 时计算得到的平均精度均值。
- 特点:mAP50 更关注于检测框与真实框之间的重叠程度大于等于 50% 的情况。这意味着即使检测框与真实框的重叠程度较低,只要超过 50%,也会被视为正确检测。
mAP50-95
- 定义:mAP50-95 是指在 IoU 阈值从 0.5 到 0.95 之间,每隔 0.05 计算一次 AP(Average Precision),然后取这些 AP 的平均值。
- 特点:mAP50-95 更全面地考虑了不同重叠程度下的检测质量,这要求模型不仅能够检测出目标,还要确保检测框与真实框之间的重叠足够高。
检测时间(Detection Time)
- 预处理(Preprocess):对输入数据进行初步处理的阶段。
- 推理(Inference):模型实际运行的阶段,基于预处理后的数据执行前向传播计算。
- 损失计算(Loss):损失计算主要用于训练阶段,评估模型输出与真实标签之间的差距。
- 后处理(Postprocess):这是将模型的输出转化为可解释的结果的过程。
每秒帧率(Frames Per Second, FPS)
它用于评估模型在给定硬件上的处理速度,即每秒可以处理的图片数量,该指标对于实现实时检测非常重要,因为只有处理速度快,才能满足实时检测的需求。