Какие метрики используются для оценки точности распознавания объектов в YOLO?

Некоторые метрики, которые используются для оценки точности распознавания объектов в YOLO:

• IoU (Intersection over Union). www.cyberforum.ru timeweb.cloud Измеряет перекрытие между предсказанным и фактическим ограничивающим прямоугольником. www.cyberforum.ru Вычисляется как отношение площади пересечения к площади объединения. www.cyberforum.ru Обычно детекция считается верной, если IoU превышает определённый порог (часто 0,5 или 0,75). www.cyberforum.ru
• Precision (точность). www.cyberforum.ru Доля правильных детекций среди всех предсказанных боксов. www.cyberforum.ru Вычисляется по формуле Precision = TP / (TP + FP), где TP (True Positives) — количество корректных детекций, а FP (False Positives) — количество ложных срабатываний. www.cyberforum.ru
• Recall (полнота). www.cyberforum.ru Доля обнаруженных объектов среди всех реальных объектов. www.cyberforum.ru Вычисляется по формуле Recall = TP / (TP + FN), где FN (False Negatives) — количество пропущенных объектов. www.cyberforum.ru
• AP (Average Precision). www.cyberforum.ru Площадь под кривой Precision-Recall для определённого класса объектов и порога IoU. www.cyberforum.ru
• mAP (mean Average Precision). www.cyberforum.ru Среднее значение AP по всем классам. www.cyberforum.ru Это наиболее комплексная метрика, учитывающая способность детектора находить объекты всех классов с высокой точностью. www.cyberforum.ru
• FPS (Frames Per Second). www.cyberforum.ru Количество кадров, обрабатываемых в секунду. www.cyberforum.ru Критическая метрика для приложений реального времени. www.cyberforum.ru
• F1 Score. docs.ultralytics.com Гармоническое среднее точности и полноты, обеспечивающее сбалансированную оценку производительности модели с учётом как ложноположительных, так и ложноотрицательных результатов. docs.ultralytics.com