（转）YOLOv5的置信度阀值与iou阀值

conf_thres

1. 　　Confidence Threshold，置信度阈值。
2. 　　只显示预测概率超过conf_thres的预测结果。
3. 　　想让YOLO只标记可能性高的地方，就把这个参数提高。

iou_thres

1. Intersect over Union Threshold，交并比阈值。
2. 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。）
3. 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。
•      如下面对甜甜圈的预测一般，多个甜甜圈重叠在一起的图片中：

图1：iou-thres = 0.65   （将iou阈值设为0.65，检测出了18个甜甜圈。）

 

 

 

图2：iou-thres = 0  （设为0，检测出了6个甜甜圈，并且检测区域都没有重复。）

 

 

 

图3：iou-thres = 0.98

 

 

 

• 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 = 2*P*R / (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0.1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
• • 下面提到的是PASCAL VOC竞赛于2010年前的计算方式，
  • 根据我查到的资料，也是YOLOv3的计算方式（目标检测中常提到的IoU和mAP究竟是什么？）。
  • 但我没有在YOLOv5的github wiki上找到相关资料，也没有在其它地方找到。

• 使用平均，以R in range(0 : 1 : 0.1)作为IOU，满足这个R值的最大P值作为Pi，求11个Pi的平均数。
  • 这里的R是以0为起点，1为终点，0.1为步长的十一个值，1也算。
  • 即上面解释PR图时的例子里R与P的关系。

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。

如何提高mAP
　　　优化数据集：
　　　　　　YOLO官方推荐数据集需求：
　　　　　　　　每类图片数量：每类大于1500张图片
　　　　　　　　每个类的实例：每类实例（标签）大于一万份。
　　　　　　　　图像多样性：确保图片来自不同环境。对于现实世界物体的识别，推荐使用来自不同时间、不同季节、不同天气、不同光照度、不同角度、不同来源的图片。
　　　　　　　　标签一致性：所有类中所有实例必须都被标签标记，不要遗漏。
　　　　　　　　标签准确性：标签能准确标记对象，不要在对象与标记框之间留下缝隙。没有对象可以不用标记（背景图片）。
　　　　　　　　背景图片：背景图片是指没有对象的图片，用来减少误报。YOLO推荐0~10%的背景图片来减少误报（COCO数据集包含1000张背景图片，占据总数1%）。
简单来说：
　　　增加不同角度/光照度的数据集。
　　　增加不同环境的数据集。
　　　增加背景图片（无目标的图片）。
　　　增加数据集大小。
　　　确保标签标定准确。

————————————————
版权声明：本文为CSDN博主「MWHLS」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/asd123pwj/article/details/117171868

标签：mAP,YOLOv5,置信度,预测,标签,iou,背景图片,thres,阀值
来源： https://www.cnblogs.com/answerThe/p/15616811.html