Yolov5——评估指标

### YOLOv5 的评估指标 YOLOv5 是一种广泛使用的对象检测框架，其性能通常通过一系列评估指标来衡量。这些指标主要包括 **Precision（精确率）**、**Recall（召回率）** 和 **mAP（Mean Average Precision 平均精度均值）**。 #### 1. Precision (精确率) Precision 表示预测为正类别的样本中有多少是真正类别。它反映了模型在分类上的准确性[^1]。对于目标检测任务而言，Precision 可以表示如下： \[ \text{Precision} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Positives}} \] 其中： - True Positives (TP)：被正确识别为目标的实例数； - False Positives (FP)：错误地识别为目标的背景区域数量； 在 COCO 数据集上训练和测试时，YOLOv5 提供了两种类型的 Precision 值——针对小型物体 (`metrics/precision(S)`), 中型物体 (`metrics/precision(M)`) 和大型物体 (`metrics/precision(L)`) 的分别统计结果[^3]。 #### 2. Recall (召回率) Recall 表示实际为正类别的样本中有多少比例被成功检出。它是对漏报情况的一种度量标准。公式表达如下： \[ \text{Recall} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Negatives}} \] 这里： - False Negatives (FN)：未能检测到的目标实例数目； 同样，在 YOLOv5 输出的结果中也区分了不同尺寸目标对应的 Recall 数值，比如 `metrics/recall(B)` 对应基础尺度下的表现，而 `metrics/recall(M)` 则关注于中等大小的对象。 #### 3. mAP (Mean Average Precision) mAP 被认为是最具代表性的评价指标之一，尤其适用于多标签或多类别的场景下比较算法优劣。具体来说，Average Precision(AP) 需要在多个 IoU(Intersection over Union, 即交并比) 阈值条件下计算得到，并最终取平均值得到整体的表现分数[^2]。 COCO 数据集中常用的几个特定 IoU 下的 AP 分别有： - `metrics/mAP50` : 当 IoU=0.5 时候所获得的 AP; - `metrics/mAP75`: 当 IoU=0.75 时刻录下来的 AP ; - `metrics/mAP50-95`: 在 IoU=[0.5:0.05:0.95],即从 0.5 至 0.95 步长为 0.05 进行积分后的综合得分; 上述各项都可以进一步细分为基于目标规模的小(`B`),中(`M`),大(`L`)三个层次来进行单独考量. ```python from yolov5.utils.metrics import ConfusionMatrix, ap_per_class def compute_metrics(predictions, targets): iouv = torch.linspace(0.5, 0.95, 10).to(targets.device) niou = iouv.numel() stats = [] for pred in predictions: correct = process_batch(pred, targets, iouv) stats.append((correct.cpu(), pred[:, 4].cpu(), pred[:, 5].cpu(), iouv)) stats = [np.concatenate(x, axis=0) for x in zip(*stats)] if len(stats) and stats[0].any(): p, r, f1, mp, mr, map50, mean_ap = ap_per_class(*stats) return { 'metrics/precision': np.mean(p), 'metrics/recall': np.mean(r), 'metrics/mAP50': map50, 'metrics/mAP50-95': mean_ap } ``` 此代码片段展示了如何利用 YOLOv5 已有的工具函数去获取 Precision, Recall 以及各种条件下的 mAP 结果。