目錄

一、常見指標

1、IoU

2、Confidence置信度

3、精準度和召回率

4、mAP

5、NMS方法

6、檢測速度

前傳耗時

FPS

7、FLOPs

二、YOLOv1

檢測流程

1、圖像網格劃分

2、類別預測

3、輸出張量

損失函數

優點

缺點

---

如題，這篇介紹一下目標檢測中常見的一些指標以及簡單分析一下 yolov1 的模型結構。

首先得知道什么是目標檢測：目標檢測（Object Detection）是計算機視覺領域的核心任務之一，旨在識別圖像或視頻中感興趣的物體，并確定它們的位置和類別。與圖像分類（僅識別物體類別）不同，目標檢測需要同時解決分類（whats）和定位（where）兩個問題。

一、常見指標

1、IoU

I 代表【交集】Intersection ，U 代表【并集】Union，IoU全稱是?Intersection over?Union，也就是交并比，舉個例子：

?IoU 值越大代表兩個框的重疊度就越高

2、Confidence置信度

在 YOLO 中，每個預測框都有一個 置信度分數，表示該框包含目標的概率以及預測框的定位準確性，公式如下：

?因此，一個框的置信度越高說明：模型認為該框中高概率存在目標，以及預測框和真實框的位置高度吻合。

3、精準度和召回率

首先要了解混淆矩陣：

• TP（真正例）：模型正確預測為正類（如“是貓”且真是貓）。

• FN（假反例）：模型錯誤預測為負類（真實是貓但預測“非貓”）。

• FP（假正例）：模型錯誤預測為正類（真實非貓但預測“是貓”）。

• TN（真反例）：模型正確預測為負類（真實非貓且預測“非貓”）。

混淆矩陣可以直觀展示分類模型的預測結果與真實標簽的對比，而由混淆矩陣又衍生出精準度（Precision ）和召回率（Recall ）。

精準度（Precision ）定義：模型預測為正類的樣本中，有多少是真正的正類，一句話：檢查誤檢的情況。

公式：
?

召回率（Recall ）定義：真正為正類的樣本中，有多少被模型正確地預測，一句話：檢查漏檢的情況。

公式：

4、mAP

首先要知道 AP是什么，AP 是針對單個類別的檢測質量評估，綜合考量不同置信度閾值下的精準率（Precision）和召回率（Recall），而 mAP(Mean Average Precision) 就是所有類別的AP的平均值，綜合評估模型在所有類別上的整體性能。先計算AP才能得到 mAP，舉個小例子：

現在假設有8個目標，但是檢測出來有20個目標框，目標框的置信度以及正負樣本預測結果如下（IoU閾值假設為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

計算AP步驟：首先將所有目標框按置信度從高到低排序（這里嚴格來講是要再重新標記TP 和FP的，但是因為表格的 TP/FP 列嚴格基于 IoU≥0.5 和 Label 匹配規則所以可以直接使用，然后我直接用 label 為1 表示 TP，為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

然后對前 N?個框計算?Precision 和?Recall，N取 1-20：例如 N 為5時，前五行的 TP=2，FP=3，目標一共有8個，則 Precision = 2/5 = 40%，Recall = 2/8 = 25%，計算表格如下：

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點插值法計算 AP，公式如下：

比如當 Recall=0.1時，精度值為?Recall=0.1-0.2 （當前閾值和下一級閾值都能取到）之間的最大值，即1，當Recall=0.2時，?精度值為?Recall=0.2-0.3?之間的最大值，也為1，依次計算得到：

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 為：

這里因為只有一個類別，所以 mAP = AP = 49.75%，若再多一個類別 label = 2，則再重復上面的操作，假設得到 label = 2的 AP 為70.25%，則整個 mAP 為 （0.4975+0.7025）/2 = 0.6，即 60%

5、NMS方法

NMS 非極大值抑制(Non-maximum suppression）不是一個指標，而是一個目標檢測的后處理方法，當檢測目標有多個目標框時就需要 NMS來確定最終的一個框，主要用于優化檢測結果，計算步驟如下：

1. 設定目標框置信度閾值，常用閾值0.5，小于該值的框（質量不太好）會被過濾掉；

2. 根據置信度降序排列候選框；

3. 選取置信度最高的框A 將其添加到輸出列表，并從候選框列表中刪除；

4. 候選框列表中所有框依次與 框A 計算 loU，刪除大于IoU閾值（高度重疊）的框（可以檢測同一個類別的多個目標，比如一張圖中不會只有一個人，如果光找置信度最高的框，只會選出一個人的框，因為置信度包含某一個大類別的概率）

5. 重復上述過程，直到候選框列表為空；

6. 輸出列表就是最后留下的目標框，在保留多個目標的同時，去掉對同一個目標的重復預測框。

但是缺點也比較明顯，就是一個框只能預測一個結果，如果有兩個及其以上的目標重疊在一起，則可能會丟失目標，所以后續會優化

6、檢測速度

前傳耗時

單位 ms，從輸入圖像到輸出最終結果所消耗的時間，包括前處理耗時(如圖像歸一化)、網絡前傳耗時、后處理耗時(如非極大值抑制)。

FPS

Frames Per Second，每秒鐘能處理的圖像數量，一般每秒處理36幀才能處理實時數據。

7、FLOPs

浮點運算量，處理一張圖像所需要的浮點運算數量，跟具體軟硬件沒有關系，可以公平地比較不同算法之間的檢測速，計算公式為：

例如，一張64x64x128的特征圖用 3x3 的卷積核卷完后，最終輸出的通道數為256，則這個過程中的浮點運算量為 (64x64) x128x (3x3) x256 .

二、YOLOv1

YOLOv1（You Only Look Once version 1）是2016年由Joseph Redmon等人提出的首個基于單階段（one-stage）目標檢測算法，其核心思想是將目標檢測任務轉化為單一的回歸問題，通過一次前向傳播即可直接預測目標的類別和位置，下面具體講解一下檢測流程（網絡結構這些苯人就不說了）：

檢測流程

1、圖像網格劃分

?將輸入圖像劃分為 SxS 個網格（論文中S=7），每個格子預測 B 個?Bounding Box（論文中B=2），其中每個框包括中心點坐標（x, y）、寬w、高h、置信度conf

2、類別預測

每個格子預測 20 個類別的概率（當時VOC數據集是20分類 ）

3、輸出張量

最終輸出維度為 7x7x30：

這里的 7x7 代表格子數，30 = 2x5+20，2x5 表示兩個框內的中心坐標、寬高以及置信度，20表示每個格子代表的20個類別概率，最終會選擇置信度較大的框作為預測結果。

損失函數

整個YOLOv1的損失函數由五部分組成：

合并后的公式如下：

這里就不詳細介紹了，可以自己研究研究，那個?(下標為ij) 代表的意思是如果第i個格子第j個框有物體時則值為1，反之為0.

優點

• 速度快：單階段檢測，實時性強（45 FPS，快速版達150 FPS）。

• 全局推理：直接處理整張圖像，減少背景誤檢（相比R-CNN系列）。

• 端到端訓練：簡化流程，無需區域提議。

缺點

• 定位精度較低：尤其對小目標和密集目標檢測效果差（網格劃分限制）。

• 每個網格僅預測一類：難以處理重疊目標。

• 邊界框形狀受限：預設的Anchor機制未引入（YOLOv2改進）

這篇就到此為止，下一篇可能是YOLOv2?～ (??????)??

以上有問題可以指出。