实现二阶段目标检测python 一阶段二阶段目标检测

文章目录

• 开始之前
• 什么是One-Stage和Two-Stage算法
• 指标分析

• IOU
• MAP

• 写在最后

开始之前

今天是我更新目标检测文章的第一天，在此，我将以小白的视角来讲述目标检测，致力于将网络结构讲明白。
千里之行，始于足下。今天我们不涉及高深的知识，而将目标检测的一些概念讲清楚。好了，废话不多说了，下面我们来开始第一个知识点吧。

什么是One-Stage和Two-Stage算法

首先我们来看下面的对比图。

这下我们可以看到，所谓的One-Stage，就是直接一个网络就可以出结果了。，比如YOLO系列，通常，YOLO系列算法有如下优缺点：

• 优点：速度快，适合做实时检测任务
• 缺点：效果通常情况下检测效果要低于Two Stage

而Two-Stage阶段，需要经历两个阶段，第一个阶段，需要产生proposal,第二个阶段，进行目标预测。，比如Faster-RCNN / MASK RCNN
正好相反，Two-Stage任务的优缺点是：

• 速度慢，但是检测效果好

指标分析

IOU

接下来我们需要知道什么是IOU，这是目标检测中最常用的指标了。

看到上面的图，IOU值得就是目标检测中ground truth和precious box框的交/并比，如上图所示，黑色的框框就是ground truth , 而蓝色的框框就是预测框，IOU就是两者交集比上并集

MAP

首先要了解这个概念，那么我们要首先了解两个前置知识：

1. 准确率：描述的是我这个框，到底框住了物体没有。表述为:
   $Precious=\frac {TP} {TP+FP}$
2. 查全率：描述的是我这个图片中，几个框被标出来了，表述为:
   $Recall=\frac {TP} {TP+FN}$那么上面的TP,FP,FN到底是什么意思呢？为了更加形象的比喻，我举一个例子吧。

已知：现在一个黑色箱子里有80个黑球，20个白球
目的：把所有的白球给挑出来
结果：我从箱子里随机摸出来了50个球，其中有20个白球之外，还错误的摸了30个黑球
因此：TP(True Positive) = 我摸的球里，符合我目标的球有多少个？答:20个 FP（False Positive）= 我摸的球里，挑错了几个? 答：30个 FN（False Negative）= 我摸出的球里，白球判断成了黑球的有几个？ 答：0个 TN（True Negative）= 我摸的球里面，黑球有多少个判断正确了？答：30个

之后我们再来举一个例子吧。

如上图所示，conf描述的是我能有多大把握确定predict box框住了对象，另一种含义就是，predict box是和ground truth的IOU值。

在目标检测中，如果我们设置conf threshold，那么模型就会把低于threshold的框给去掉（之后我们再说，现在只需要了解有这个事情），那么我们有如下：

conf=0.9 那么A的框保留，B,C的框去除，那么
$TP=1,FP=0,FN=2,Precious=\frac {1} {1},Recall=\frac {1} {1+2}$
conf=0.8,那么A,B的框保留，C的框去除，那么
$TP=2,FP=0,FN=1,Precious=\frac {2}{2} , Recall=\frac {2}{2+1}$

之后，我们通过确定阈值，得到相应的P-R曲线，如图所示:

也就是precious-recall曲线，那么AP的值就是蓝色线和坐标围成的面积map就是红色线和坐标围成的面积

写在最后

目标检测篇是我第一次真正的将自己的新的体会写出来的博客，我尽量用小白的角度来阐述目标检测，希望能够喜欢。