YoloV5 関連のパフォーマンス指標の分析
1. 精度（精度率/精度率）
陽性サンプルであると予測されるすべての結果のうち、正しい予測の割合。
Precision = TP / (TP + FP)
2. 再現率（再現率/再現率）
正しく予測されたすべての陽性サンプルの割合。
Recall = TP / (TP + FN)
| 陽性サンプル | ネガティブサンプル | |
|---|---|---|
| 予測はポジティブです | 真陽性(TP) | 誤検知(FP) |
| 予測は否定的です | 偽陰性(FN) | 真陰性(TN) |
3. PR 曲線 (適合率-再現率)
つまり、横軸が Recall 、縦軸が Precision で構成される曲線です。
4. AP (平均精度: PR 曲線下の面積)
AP: VOC2010 以前の平均精度
(1)
AP = 1/11 ∑ Max(p(r)) r∈{
0,0.1,...,1}
r：召回率
Max(p(r))：在r点的最大precision值
(Recall >= r时，选取Recall对应的precision的最大值作为在r点的precision)
(2)VOC2010以降
AP = 1/n ∑ Max(p(r(k)))*(r(k)-r(k-1)) r∈{
0,r(0),r(1),...,r(k),1}
r(k)：第k大的召回率
Max(p(r(k)))：在r点的最大precision值
(Recall >= r(k)时，选取Recall对应的precision的最大值作为在r点的precision)
5，mAP（平均平均精度）
mAP: 各カテゴリの平均 AP
mAP = 1/m ∑AP(i) i∈[0,m),i∈N+
m：类别数
AP(i)：第i类类别的平均精度
5.1，IoU（和集合上の交差）
IoUは交差和集合比とも呼ばれ、バウンディングボックスの正しさを評価するための指標であり、検出ボックス（検出ボックス）とグランドトゥルース（実ラベル）の交差と和集合の比率を表します。
5.1、[email protected]（IoU=0.5）
TP: IoU>0.5 の検出フレーム数 (同じ GT は 1 回だけ計算されます)
FP: IoU<=0.5 の検出フレーム数、または同じ GT を検出する重複した検出フレームの数 したがって、
精度と想起は次のように表現できます。
Precision = TP / all detection boxes
Recall = TP / all ground truths
5.2、[email protected]:0.95
さまざまな IoU しきい値 (0.5 ～ 0.95、ステップ サイズ 0.05) での平均 mAP を表します。
(0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95)
6，F1スコア
F1-score = 2(Precision × Recall )/(Precision + Recall)
7，GIoU損失/BECWithLogits損失
7.1 GIoU の損失
予測されたバウンディング ボックスの損失を計算し、予測されたバウンディング ボックスを実際のバウンディング ボックスと比較します。
C は、(AUB) の領域を囲むことができる最小のボックスを表します。ここで、C\(AUB) は、C ボックスの面積から (AUB) の面積を引いたものを表します。
7.2 BECWithLogits 損失
Sigmiod 関数と BCELoss 関数を組み合わせて、オブジェクト性損失スコアとクラス確率スコアを計算します。
BCEWithLogitsLoss = Sigmoid + BCELoss
計算式は次のとおりです。
