yolov5和resnet50

无图/无目录/格式错误/更多相关请到上方的文章首发页面查看。

基于NAIE平台的YOLOv5识别超超超可爱的逢坂大河

如果有误，麻烦评论提出，谢谢。

目录

1. 传参

2. 评估参数

3. 如何提高mAP

4. 参考文献

传参

• conf_thres

• Confidence Threshold，置信度阈值。
• 只显示预测概率超过conf_thres的预测结果。

• 想让YOLO只标记可能性高的地方，就把这个参数提高。

• iou_thres

• Intersect over Union Threshold，交并比阈值。
• 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。

• 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：

• 将iou阈值设为0.65，检测出了18个甜甜圈。
• 设为0，检测出了6个甜甜圈，并且检测区域都没有重复。
• 设为0.98，检测出了111个甜甜圈，将一个甜甜圈检测成多个甜甜圈。

图1：iou-thres = 0.65

图2：iou-thres = 0

图3：iou-thres = 0.98

评估参数

• 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时，表示以某精确度P₁计算，没有检测到A类。
• 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P_i，求11个P_i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。

• 欢迎补充。

参考文献

推荐系统评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)

目标检测中常提到的IoU和mAP究竟是什么？

目标检测评价指标(mAP)

mAP@0.5与mAP@0.5:0.95的含义，YOLO