YOLOv5全面解析教程④：目标检测模型精确度评估

撰文 | Fengwen, BBuf

代码仓库地址，欢迎Star：

https://github.com/Oneflow-Inc/one-yolov5

1

指标评估（一些重要的定义）

IOU

(Intersection Over Union)  基于Jaccard索引，用于评估两个边界框之间的重叠程度。它需要一个真实回归框 (a ground truth bounding box) 和一个预测回归框(a predicted bounding box)计算得到。通过应用 IOU 我们能够判断出预测结果是有效（True Positive） 或者无效（False Positive）。

也称重叠度表示计算预测回归框和真实回归框的交并比,计算公式如下:

其中: 

下图可视化了真实回归框（绿色）和 预测回归框（红色）之间的IOU。

图1.1：的计算。绿色:  ，红色:

TP&FP&FN&TN

指标的一些基本概念：

• TP（True Postives）：分类器把正例正确的分类-预测为正例。(IOU >=  阈值)

• FN（False Negatives）：分类器把正例错误的分类-预测为负例。(IOU <  阈值)

• FP（False Postives）：分类器把负例错误的分类-预测为正例

• TN（True Negatives）：分类器把负例正确的分类-预测为负例（YOLOv5中没有应用到）

YOLOv5中没有应用TN的原因: TN代表的是所有可能的未正确检测到的边界框。然而在YOLO在目标检测任务中，每个网格会生成很多的预测边界框，有许多的预测边界框是没有相应的真实标签框，导致未正确检测到的边界框数量远远大于正确检测到的边界框，这就是为什么不使用TN的原因。

threshold:  depending on the metric, it is usually set to 50%, 7