（轉）YOLOv5的置信度閥值與iou閥值

conf_thres

1. 　　Confidence Threshold，置信度閾值。
2. 　　只顯示預測概率超過conf_thres的預測結果。
3. 　　想讓YOLO只標記可能性高的地方，就把這個參數提高。

iou_thres

1. Intersect over Union Threshold，交並比閾值。
2. IOU值：預測框大小∩真實框大小 / 預測框大小∪真實框大小。（預測框與真實框的交集與並集的取值。）
3. iou_thres在detect.py中：

•      越大，則容易將對於同一個物品的不同預測結果 當成 對多個物品的多個預測結果，導致一個物品出現了多個預測結果。
•      越小，則容易將對於多個物品的不同預測結果 當成 對同一個物品的不同預測結果，導致多個物品只出現了一個預測結果。
•      如下面對甜甜圈的預測一般，多個甜甜圈重疊在一起的圖片中：

圖1：iou-thres = 0.65   （將iou閾值設為0.65，檢測出了18個甜甜圈。）

 

 

 

圖2：iou-thres = 0  （設為0，檢測出了6個甜甜圈，並且檢測區域都沒有重復。）

 

 

 

圖3：iou-thres = 0.98

 

 

 

• P
  • Precision，精確率
  • 對類A來說（下面提到的都是被預測成A的）：
    • P = 正確數 / 預測總數
    • 或 P = 正確數/ 正確數+錯誤數
  • 即，預測的東西正確了多少百分比。

• R
  • Recall，召回率
  • 對類A來說（下面提到的都是被歸為A類的）：
    • R = 預測正確數 / 真實A類總數。
    • 或 R = 預測正確數 / 被預測到的A + 未被預測到的A
  • 即，預測的東西找到了多少百分比。

• F1
  • F-Measure，F值，P與R的調和平均
  • F=1/(λ1P+(1−λ)1R)，λ = 0.5時，簡化為F1
  • F1 = 2*P*R / (P + R)

• 例：對於一個二分類問題來說：
  • 要對動物進行分類，分為貓與非貓兩類。樣本中，貓有350份，非貓有150份。
  • 預測出了400份被認為是貓，其中，正確的有300份，錯誤的有100份。則：
  • P = 300 / 400 = 0.75
  • R = 300 / 350 ≈ 0.86

PR圖

• 橫坐標是R值，縱坐標是P值，曲線表示當召回率為R時，精確率P的大小。
• 例：
• • 假設測試集圖片數量為一百張，且測試了一百張。
  • 當A類的R值設為0.1時，表示以某精確度P2計算，檢測到了A類總數的10%。
  • 以此類推，當A類的R值設為1時，表示以某精確度P11計算，檢測到了所有的A類標簽。
  • 可以看出，隨R值的升高，A被預測到的數量也會增加，即那些可能性較低的A類也逐漸被預測出來。
  • 因此，可以判斷P值是隨着R的升高而降低。
  • • P值如果設為100，即要求被標記出來的區域一定屬於A類，這種概率非常低，所以可能一個A類都識別不出來，進而導致R值為0。
    • 而若P值設為0.1，則要求被標記出來的區域只要有百分十的概率屬於A類即可，那么將有很多A類被標記，R值也進一步提高。
  • 因此，PR圖左下方的面積越大，則表示模型對該數據集的效果越好。

AP

• Average Precision
• 以某種方式計算AP值來表達PR圖的面積
• • 下面提到的是PASCAL VOC競賽於2010年前的計算方式，
  • 根據我查到的資料，也是YOLOv3的計算方式（目標檢測中常提到的IoU和mAP究竟是什么？）。
  • 但我沒有在YOLOv5的github wiki上找到相關資料，也沒有在其它地方找到。

• 使用平均，以R in range(0 : 1 : 0.1)作為IOU，滿足這個R值的最大P值作為Pi，求11個Pi的平均數。
  • 這里的R是以0為起點，1為終點，0.1為步長的十一個值，1也算。
  • 即上面解釋PR圖時的例子里R與P的關系。

mAP

• mean Average Precision
• 每個類的AP值的平均數。
• 用於表達多類標簽預測的性能，如AP一樣，mAP越高，性能越好。
• mAP@.5
  • 當IoU為0.5時的mAP
• mAP@.5 : .95
  • 當IoU為range(0.5 : 0.95 : 0.05)時的mAP的平均數。

如何提高mAP
　　　優化數據集：
　　　　　　YOLO官方推薦數據集需求：
　　　　　　　　每類圖片數量：每類大於1500張圖片
　　　　　　　　每個類的實例：每類實例（標簽）大於一萬份。
　　　　　　　　圖像多樣性：確保圖片來自不同環境。對於現實世界物體的識別，推薦使用來自不同時間、不同季節、不同天氣、不同光照度、不同角度、不同來源的圖片。
　　　　　　　　標簽一致性：所有類中所有實例必須都被標簽標記，不要遺漏。
　　　　　　　　標簽准確性：標簽能准確標記對象，不要在對象與標記框之間留下縫隙。沒有對象可以不用標記（背景圖片）。
　　　　　　　　背景圖片：背景圖片是指沒有對象的圖片，用來減少誤報。YOLO推薦0~10%的背景圖片來減少誤報（COCO數據集包含1000張背景圖片，占據總數1%）。
簡單來說：
　　　增加不同角度/光照度的數據集。
　　　增加不同環境的數據集。
　　　增加背景圖片（無目標的圖片）。
　　　增加數據集大小。
　　　確保標簽標定准確。

————————————————
版權聲明：本文為CSDN博主「MWHLS」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/asd123pwj/article/details/117171868