YOLO 目标检测算法学习笔记（二）
可以说，YOLO各代升级的改进点都是提升检测效果mAP和速度FPS。 Precision精度与Recall召回率要计算精度与召回率（查全率），我们需要先了解四个值： TP（True Positives） FP（False Positives） FN（False Negatives） TN（True Negatives） 相关（Relevant），正类 无关（NonRelevant），负类 被检索到（Retrieved） TP，正类判定为正类。 FP，负类判定为正类 未被检索到（Not Retrieved） FN，正类判定为负类 TN，负类判断为负类 记忆方法我们只需要记住这里面的四个单词的中文意思方可推断出四个值的含义。True 正确的、False 错误的、Positives 正类以及 Negatives 负类。 True Positives（➕➕）——正确的判断为正类，即将正类判定为正类。 False Positives（➖➕）——错误的判定为正类，即将负类判定为正类。 False Negatives（➕➖）——错误的判定为负类，即将正类判定为正类。 True Negatives（➖➖）——正确的判定为负类，即将负类判定为负类。 计算公式$$ Precision = \frac{TP}{TP+FP} $$ $$ Recall = \frac{TP}{TP + FN} $$ 为了方便理解，我画了一个草图，以格子为单位。其中蓝色框代表实际值，橙色框代表预测值。 真正的正类（蓝色框内）共20个格子，真正的负类（蓝色框外）共10个格子。判定的正类（橙色框内），判定的负类（橙色框外） TP值（正确的判断为正类），真正的正类与判定的正类的交集，即涂黄色的格子，共9个格子。 FP值（错误的判定为正类），真正的负类与判定的正类的交集，即涂绿色的格子，共6个格子。 FN值（错误的判定为负类），真正的正类与判定的负类的交集，即涂蓝色的格子，共11个格子。 TN值（正确的判定为负类），真正的负类与判定的负类的交集，即涂红色的格子，共4个格子。 例子已知条件：班级总人数100人，其中男生80人，女生20人。 目标：找出所有的女生。 结果：从班级中选择了50人，其中20人是女生，还错误的把30名男生挑选出来了。 TP = 20; FP = 30; FN = 0; TN = 50 mAP指标目标检测不可单看精度（Precision）或召回率（Recall），因为两者为此消彼长的关系。所以需要一个新的指标用于综合的衡量目标检测的效果。 mAP（mean Average Precision）指标，又名全类平均精度，用于综合衡量目标检测的效果。 ...