当前位置：首页 > news >正文

深度学习目标检测常见指标和yolov1分析

news 2025/7/30 8:40:13

一、常见指标

1、IoU

2、Confidence置信度

3、精准度和召回率

4、mAP

5、NMS方法

6、检测速度

前传耗时

FPS

7、FLOPs

二、YOLOv1

检测流程

1、图像网格划分

2、类别预测

3、输出张量

损失函数

优点

缺点

如题，这篇介绍一下目标检测中常见的一些指标以及简单分析一下 yolov1 的模型结构。

首先得知道什么是目标检测：目标检测（Object Detection）是计算机视觉领域的核心任务之一，旨在识别图像或视频中感兴趣的物体，并确定它们的位置和类别。与图像分类（仅识别物体类别）不同，目标检测需要同时解决分类（whats）和定位（where）两个问题。

一、常见指标

1、IoU

I 代表【交集】Intersection ，U 代表【并集】Union，IoU全称是 Intersection over Union，也就是交并比，举个例子：

IoU 值越大代表两个框的重叠度就越高

2、Confidence置信度

在 YOLO 中，每个预测框都有一个 置信度分数，表示该框包含目标的概率以及预测框的定位准确性，公式如下：

因此，一个框的置信度越高说明：模型认为该框中高概率存在目标，以及预测框和真实框的位置高度吻合。

3、精准度和召回率

首先要了解混淆矩阵：

TP（真正例）：模型正确预测为正类（如“是猫”且真是猫）。
FN（假反例）：模型错误预测为负类（真实是猫但预测“非猫”）。
FP（假正例）：模型错误预测为正类（真实非猫但预测“是猫”）。
TN（真反例）：模型正确预测为负类（真实非猫且预测“非猫”）。

混淆矩阵可以直观展示分类模型的预测结果与真实标签的对比，而由混淆矩阵又衍生出精准度（Precision ）和召回率（Recall ）。

精准度（Precision ）定义：模型预测为正类的样本中，有多少是真正的正类，一句话：检查误检的情况。

公式：

召回率（Recall ）定义：真正为正类的样本中，有多少被模型正确地预测，一句话：检查漏检的情况。

公式：

4、mAP

首先要知道 AP是什么，AP 是针对单个类别的检测质量评估，综合考量不同置信度阈值下的精准率（Precision）和召回率（Recall），而 mAP(Mean Average Precision) 就是所有类别的AP的平均值，综合评估模型在所有类别上的整体性能。先计算AP才能得到 mAP，举个小例子：

现在假设有8个目标，但是检测出来有20个目标框，目标框的置信度以及正负样本预测结果如下（IoU阈值假设为0.5）：

ID	Confidence	TP	FP	IoU	Label
1	0.23	0	1	0.1	0
2	0.76	1	0	0.8	1
3	0.01	0	1	0.2	0
4	0.91	1	0	0.9	1
5	0.13	0	1	0.2	0
6	0.45	0	1	0.3	0
7	0.12	1	0	0.8	1
8	0.03	0	1	0.2	0
9	0.38	1	0	0.9	1
10	0.11	0	1	0.1	0
11	0.03	0	1	0.2	0
12	0.09	0	1	0.4	0
13	0.65	0	1	0.3	0
14	0.07	0	1	0.2	0
15	0.12	0	1	0.1	0
16	0.24	1	0	0.8	1
17	0.10	0	1	0.1	0
18	0.23	0	1	0.1	0
19	0.46	0	1	0.1	0
20	0.08	1	0	0.9	1

计算AP步骤：首先将所有目标框按置信度从高到低排序（这里严格来讲是要再重新标记TP 和FP的，但是因为表格的 TP/FP 列严格基于 IoU≥0.5 和 Label 匹配规则所以可以直接使用，然后我直接用 label 为1 表示 TP，为0 表示 FP ）：

ID	Confidence	Label
4	0.91	1
2	0.76	1
13	0.65	0
19	0.46	0
6	0.45	0
9	0.38	1
16	0.24	1
1	0.23	0
18	0.23	0
5	0.13	0
7	0.12	1
15	0.12	0
10	0.11	0
17	0.10	0
12	0.09	0
20	0.08	1
14	0.07	0
8	0.03	0
11	0.03	0
3	0.01	0

然后对前 N 个框计算 Precision 和 Recall，N取 1-20：例如 N 为5时，前五行的 TP=2，FP=3，目标一共有8个，则 Precision = 2/5 = 40%，Recall = 2/8 = 25%，计算表格如下：

前N行	Confidence	Label	Recall	Precision
1	0.91	1	1/8(0.125)	1/1
2	0.76	1	2/8(0.25)	2/2
3	0.65	0	2/8(0.25)	2/3
4	0.46	0	2/8(0.25)	2/4
5	0.45	0	2/8(0.25)	2/5
6	0.38	1	3/8(0.375)	3/6
7	0.24	1	4/8(0.5)	4/7
8	0.23	0	4/8(0.5)	4/8
9	0.23	0	4/8(0.5)	4/9
10	0.13	0	4/8(0.5)	4/10
11	0.12	1	5/8(0.625)	5/11
12	0.12	0	5/8(0.625)	5/12
13	0.11	0	5/8(0.625)	5/13
14	0.10	0	5/8(0.625)	5/14
15	0.09	0	5/8(0.625)	5/15
16	0.08	1	6/8(0.75)	6/16
17	0.07	0	6/8(0.75)	6/17
18	0.03	0	6/8(0.75)	6/18
19	0.03	0	6/8(0.75)	6/19
20	0.01	0	6/8(0.75)	6/20

最后再由11点插值法计算 AP，公式如下：

比如当 Recall=0.1时，精度值为 Recall=0.1-0.2 （当前阈值和下一级阈值都能取到）之间的最大值，即1，当Recall=0.2时，精度值为 Recall=0.2-0.3 之间的最大值，也为1，依次计算得到：

R	0	0.1	0.2	0.3	0.4	0.5	0.6	0.7	0.8	0.9	1.0
P	1.0	1.0	1.0	0.5	0.571	0.571	0.455	0.375	0	0	0

所以 AP 为：

这里因为只有一个类别，所以 mAP = AP = 49.75%，若再多一个类别 label = 2，则再重复上面的操作，假设得到 label = 2的 AP 为70.25%，则整个 mAP 为（0.4975+0.7025）/2 = 0.6，即 60%

5、NMS方法

NMS 非极大值抑制(Non-maximum suppression）不是一个指标，而是一个目标检测的后处理方法，当检测目标有多个目标框时就需要 NMS来确定最终的一个框，主要用于优化检测结果，计算步骤如下：

设定目标框置信度阈值，常用阈值0.5，小于该值的框（质量不太好）会被过滤掉；
根据置信度降序排列候选框；
选取置信度最高的框A 将其添加到输出列表，并从候选框列表中删除；
候选框列表中所有框依次与框A 计算 loU，删除大于IoU阈值（高度重叠）的框（可以检测同一个类别的多个目标，比如一张图中不会只有一个人，如果光找置信度最高的框，只会选出一个人的框，因为置信度包含某一个大类别的概率）
重复上述过程，直到候选框列表为空；
输出列表就是最后留下的目标框，在保留多个目标的同时，去掉对同一个目标的重复预测框。

但是缺点也比较明显，就是一个框只能预测一个结果，如果有两个及其以上的目标重叠在一起，则可能会丢失目标，所以后续会优化

6、检测速度

前传耗时

单位 ms，从输入图像到输出最终结果所消耗的时间，包括前处理耗时(如图像归一化)、网络前传耗时、后处理耗时(如非极大值抑制)。

FPS

Frames Per Second，每秒钟能处理的图像数量，一般每秒处理36帧才能处理实时数据。

7、FLOPs

浮点运算量，处理一张图像所需要的浮点运算数量，跟具体软硬件没有关系，可以公平地比较不同算法之间的检测速，计算公式为：

例如，一张64x64x128的特征图用 3x3 的卷积核卷完后，最终输出的通道数为256，则这个过程中的浮点运算量为 (64x64) x128x (3x3) x256 .

二、YOLOv1

YOLOv1（You Only Look Once version 1）是2016年由Joseph Redmon等人提出的首个基于单阶段（one-stage）目标检测算法，其核心思想是将目标检测任务转化为单一的回归问题，通过一次前向传播即可直接预测目标的类别和位置，下面具体讲解一下检测流程（网络结构这些苯人就不说了）：