YOLOv8模型验证评价指标| mAP50、Precision、Recall、FPS、FLOPs、loU等

已于 2024-05-07 18:08:21 修改
阅读量1.4w 收藏 99
点赞数 18
分类专栏： YOLOv8改进系列 文章标签： YOLO
于 2024-05-07 15:21:57 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_41171614/article/details/138533454
版权

📌YOLOv8性能评价指标

1、mAP50

  • mAP是mean Average Precision的缩写，表示在多个类别上的平均精度。
  • mAP50表示在50%的loU阈值下的mAP值。

2、mAP50-95

  • 这是一个更严格的评价指标，它计算了在50-95%的loU阈值范围内的mAP
    值，然后取平均。这能够更准确地评估模型在不同loU阈值下的性能。

3、Precision

  • 精度 (Precision)是评估模型预测正确的正样本的比例。在目标检测
    中，如果模型预测的边界框与真实的边界框重合，则认为预测正确。

4、Recall

  • 召回率(Recall)是评估模型能够找出所有真实正样本的比例。在目标检
    测中，如果真实的边界框与预测的边界框重合，则认为该样本被正确召回。

5、FPS

  • 全称为Frames Per Second，即每秒帧率。
  • 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。

6、loU

  • 全称为Intersection over Union，表示交并比。
  • 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。
  • loU值越大，表示两个框之间的相似性越高。通常，当loU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。

7、FLOPs

  • 全称为Floating Point Operations Per Second，每秒浮点运算次数，表示处理器每秒钟能够执行的浮点运算次数。
  • 常被用来衡量模型的复杂度或者计算成本。一个模型的FLOPs越高，意味着它需要更多的计算资源和时间来进行训练或推理。
  • 因此，对于需要在资源有限的设备（如移动设备或嵌入式设备）上运行的深度学习模型，通常需要尽可能地减少模型的FLOPs。

整理不易🚀🚀，关注和收藏后拿走📌📌欢迎留言🧐👋📣✨
快来关注我的公众号🔎AdaCoding 和 GitHub🔎 AdaCoding123
在这里插入图片描述

YOLO算法：关于目标检测的评价指标（小白入门必读）
突然好想你
10-24 2352
目标检测评价指标是用来衡量目标检测算法性能的指标，主要包括几个指标：精确率（Precision）、召回率（Recall）、交并比（IoU）、平均精度（AP）和多个类别AP的平均值即mAP等等。本节课就给大家重点介绍下目标检测中的相关评价指标及其含义，希望大家学习之后能够有所收获！
YoloV8实战：各种图绘制汇总（mAP50、mAP50-95、loss、PR_curve、F1_curve）|科研必备|绘图神器
m0_47867638的博客
05-27 4366
本文的内容是告诉大家如何绘制mAP50、mAP50-95、loss、PR_curve、F1_curve等图像，方便大家写论文。
16系列显卡解决YOLOV8训练完成后precision、recall、mAP50、mAP50-95显示为0，loss显示为nan
最新发布
m0_66481646的博客
03-27 565
1、首先在YOLOv8\ultralytics-8.2.4\ultralytics\cfg\default.yaml将half和amp改为False（ultralytics-8.2.4为训练的模型版本，大家各不相同），如上图；亲测已解决precision、recall、mAP50、mAP50-95显示为0，loss显示为nan的情况，虽然解决了问题，想请问背后的原理是什么？解决方法：在网上搜了各种解决方法，一个个尝试后，终于解决了问题。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 15万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
Snu77的博客
11-02 9万+
这篇博客，主要给大家讲解我们在训练yolov8时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据具体需求，我们可以选择更适合任务场景的模型和参数配置。最后祝大家学习顺利，科研成功，多多论文！！
YOLOv8 性能评估指标详解
走向CTO的路上...
07-01 3695
YOLOv8 作为目前最先进的目标检测算法之一，在性能和精度方面都取得了显著提升。为了全面评估 YOLOv8 模型的性能，需要使用多种指标进行综合评估。本文将对 YOLOv8 常用的性能评估指标进行详细介绍。YOLOv8 性能评估指标是评估模型性能的重要工具，需要结合多种指标进行全面评估，以选择最适合目标检测任务的模型。未来，YOLOv8 性能评估指标将继续发展，以更好地满足目标检测领域的应用需求。
YOLOV8评价指标
阿航同学的博客
04-08 5077
P、R、mAP50、mAP50-95等评价指标的作用
yolov8如何评价结果
luoshiyong123的博客
12-25 962
为的意义是确定41个预测box在某个iou标准下是否是TP,所以维度是[41, 10] ，41表示有41个预测box,10表示10个iou标准，分别为[0.5000, 0.5500, 0.6000, 0.6500, 0.7000, 0.7500, 0.8000, 0.8500, 0.9000, 0.9500]bbox为gt中的box信息，维度为（1，3），cls为gt的类别信息，维度为（1）bbox为gt中的box信息，维度为（1，4），cls为gt的类别信息，维度为（1）
yolov8的指标
fool996的博客
02-28 1万+
检测精度检测速度前传耗时每秒帧数 FPS（Frames Per Sencond）P-R curve浮点运算量（FLOPS）AP、mAP。
新手小白快速看懂yolov8模型训练结果图表，通过mAP、Precision、Recall等评价性能
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-22 6991
新手小白快速看懂yolov8模型训练结果图表，通过mAP、Precision、Recall等评价性能： confusion_matrix.png、confusion_matrix_normalized.png、F1_curve.png、labels.jpg labels_correlogram.jpg、P_curve.png、PR_curve.png、R_curve.png、results.png
YOLOv11性能评估指标 AP、mAP、Precision、Recall、FPS、IoU、混淆矩阵、F1等YOLO相关参数指标讲解
Snu77的博客
10-15 2万+
这篇博客，主要给大家讲解我们在训练yolov11时生成的结果文件中各个图片及其中指标的含义帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生成多少个文件如下图所示，下面的文章讲解都会围绕这个结果文件来介绍。二、评估用的数据集。
YOLOv5性能评估指标-＞mAP、Precision、Recall、FPS、Confienc (讲解论文关注的主要指标)
Snu77的博客
12-21 2万+
这篇博客，主要给大家讲解我们在训练yolov5时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生成多少个文件如下图所示，下面的文章讲解都会围绕这个结果文件来介绍。
yolov8模型训练结果分析以及如何评估yolov8模型训练的效果
githubcurry
06-05 9万+
混淆矩阵是对分类问题预测结果的总结。使用计数值汇总正确和不正确预测的数量，并按每个类进行细分，显示了分类模型进行预测时会对哪一部分产生混淆。通过这个矩阵可以方便地看出机器是否将两个不同的类混淆了（把一个类错认成了另一个）。混淆矩阵不仅可以让我们直观的了解分类模型所犯的错误，更重要的是可以了解哪些错误类型正在发生，正是这种对结果的分解克服了仅使用分类准确率带来的局限性（总体到细分）。
Yolov8目标识别——模型训练结果可视化图分析与评估训练结果
知来者逆的博客
01-16 7万+
Yolov8在训练完成之后，会在run目录下把训练的过程一些参数与结果示意图保存下来,这里面包含是目标检测性能指标，如下图:表示正确预测的目标数量与总预测数量的比率。表示模型正确预测为正样本的样本数量占所有预测为正样本的样本数量的比例。表示模型正确预测为正样本的样本数量占所有实际正样本的样本数量的比例。综合考虑精确率和召回率，是精确率和召回率的调和平均数。衡量模型检测出的区域与实际目标区域的重叠程度。在目标检测中，AP通常指Precision-Recall曲线下的面积，用于综合评估模型的性能。
YOLOv5入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】
kay_545
05-09 7553
YOLOv5入门，YOLOv8入门，实验结果，改进，创新
YOLOv10全网最新创新点改进系列：一文掌握YOLOv10评估指标，学会判断实验是否达到发文水平！
B站 Ai学术叫叫兽的文案地
07-10 1291
YOLOv10全网最新创新点改进系列：一文掌握YOLOv10评估指标，学会判断实验是否达到发文水平！
YOLO 模型的评估指标——IOU、Precision、Recall、F1-score、mAP
qq_63708623的博客
01-01 3万+
YOLO是最先进的目标检测模型之一。目标检测问题相比分类问题要更加复杂，因为目标检测不仅要把类别预测正确，还要预测出这个类别具体在哪个位置。我将目标识别的评估指标总结为两部分，一部分为预测框的预测指标，另一部分为分类预测指标。
yolov8模型评价指标
01-12
### YOLOv8 模型评估指标 #### 主要性能衡量标准 YOLOv8 的主要性能衡量标准涵盖了多个方面，以确保模型在不同应用场景下的有效性。以下是几个核心的评估指标： - **mAP (Mean Average Precision)**: 这一指标代表平均精度均值，用于量化模型在整个数据集上对于各个类别的检测效果。mAP 是目标检测中最常用的一个评价标准，能够反映出模型的整体识别能力[^1]。 - **Precision (精确度)**: 定义为真正例占所有预测正样本的比例，即 TP/(TP+FP)，其中 TP 表示真阳性数量而 FP 则指假阳性的数目。高精准意味着较少误报的发生概率[^2]。 - **Recall (召回率)**: 描述的是实际存在的正样例中有多少比例被成功检出，计算方式为 TP/(TP+FN)，这里 FN 代表漏掉的真实实例。良好的召回表明模型具有较高的覆盖率。 - **FPS (Frames Per Second)**: 即每秒钟可处理的画面帧数，用来表征系统的实时性和效率。更高的 FPS 数值通常意味着更快更流畅的操作体验。 - **IoU (Intersection over Union)**: 或称为交并比，是用来测量两个几何形状之间相似程度的一种方法，在物体定位任务里特指候选区域同标注矩形之间的重合部分面积除以其总面积之商。理想的 IoU 应尽可能接近于 1，表示完美的匹配关系。 ```python def calculate_iou(boxA, boxB): # 计算边界框相交区域坐标 xA = max(boxA[0], boxB[0]) yA = max(boxA[1], boxB[1]) xB = min(boxA[2], boxB[2]) yB = min(boxA[3], boxB[3]) # 计算交集面积 interArea = max(0, xB - xA + 1) * max(0, yB - yA + 1) # 分别计算各自边界框的面积 boxAArea = (boxA[2] - boxA[0] + 1) * (boxA[3] - boxA[1] + 1) boxBArea = (boxB[2] - boxB[0] + 1) * (boxB[3] - boxB[1] + 1) # 计算IOU iou = interArea / float(boxAArea + boxBArea - interArea) return iou ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值