介绍

性能指标是评估对象检测模型的准确性和效率的关键工具。它们阐明了模型如何有效地识别和定位图像中的对象。此外，它们有助于理解模型对假阳性和假阴性的处理。这些见解对于评估和增强模型的性能至关重要。在本指南中，我们将探讨与 YOLO11 相关的各种性能指标、它们的重要性以及如何解释它们。

物体检测指标

首先，我们来讨论一些指标，这些指标不仅对 YOLO11 很重要，而且广泛适用于不同的物体检测模型。

• 交并比 (IoU)：IoU 是一种度量，用于量化预测边界框与地面真实边界框之间的重叠。它在评估物体定位的准确性方面起着根本性的作用。

• 平均精度 (AP)：AP 计算精度-召回曲线下的面积，提供一个单一值来封装模型的精度和召回性能。

• 平均精度 (mAP)：mAP 通过计算多个物体类别的平均 AP 值来扩展 AP 的概念。这在多类物体检测场景中很有用，可以全面评估模型的性能。

• 精度和召回率（Precision and Recall）：精度量化了所有正预测中真阳性的比例，评估了模型避免假阳性的能力。另一方面，召回率计算所有实际阳性中真阳性的比例，衡量模型检测某个类的所有实例的能力。

• F1 分数：F1 分数是精确度和召回率的调和平均值，在考虑假阳性和假阴性的同时，提供对模型性能的平衡评估。

  细节解释

• 🎯 交并比 (IoU)
  IoU 是用于评估对象检测器在特定数据集上的准确度的指标。它测量预测边界框与地面实况之间的重叠，值的范围从 0（无重叠）到 1（完全重叠）。IoU 对于确定检测是真阳性还是假阳性至关重要，通常使用 0.5 或 0.75 这样的阈值来区分。

• 🎯 平均准确率 (mAP)
  mAP 是评估对象检测模型准确率的常用指标。它是针对所有类别计算的 AP（平均准确率）的平均值，基于准确率-召回率曲线下的面积。该指标反映了模型在不同召回率水平上的准确率，提供了全面的性能指标，既考虑了检测准确率，也考虑了检测所有相关对象的能力。

  如何计算 YOLO11 模型的指标

  现在，我们可以探索 YOLO11 的验证模式，该模式可用于计算上述评估指标。

使用验证模式很简单。一旦您拥有经过训练的模型，您就可以调用 model.val() 函数。然后，此函数将处理验证数据集并返回各种性能指标。但这些指标意味着什么？你应该如何解释它们？

解释输出

让我们分解 model.val() 函数的输出并了解输出的每个部分。

• 类指标：输出的部分之一是按类细分的性能指标。当您尝试了解模型对每个特定类别的表现如何时，这些详细信息非常有用，尤其是在具有多种对象类别的数据集中。对于数据集中的每个类，提供以下内容：

• 类别：这表示对象类的名称，例如“人”、“汽车”或“狗”。

• 图像：此指标告诉您验证集中包含对象类的图像数量。

• 实例：这提供了该类在验证集中所有图像中出现的次数。

• 框（P，R，mAP50，mAP50-95）：此指标提供了对模型在检测对象方面的表现的洞察：

• P（精度）：检测到的对象的准确度，表示有多少检测是正确的。

• R（召回率）：模型识别图像中所有对象实例的能力。

• mAP50：在交并比 (IoU) 阈值为 0.50 时计算的平均精度。这是仅考虑“简单”检测的模型准确度的度量。

• mAP50-95：在不同 IoU 阈值下计算的平均平均精度的平均值，范围从 0.50 到 0.95。它全面展示了模型在不同检测难度级别的性能。

速度指标

推理速度与准确性一样重要，尤其是在实时对象检测场景中。本节细分了验证过程各个阶段（从预处理到后处理）所花费的时间。

COCO 指标评估

对于在 COCO 数据集上进行验证的用户，使用 COCO 评估脚本计算其他指标。这些指标可以深入了解不同 IoU 阈值和不同大小对象的精度和召回率。

视觉输出

model.val() 函数除了生成数字指标外，还会产生视觉输出，可以更直观地了解模型的性能。以下是您可以预期的视觉输出的细分：

• F1 分数曲线 (F1_curve.png)：此曲线表示不同阈值的 F1 分数。解释此曲线可以深入了解模型在不同阈值上假阳性和假阴性之间的平衡。

• 精确度-召回率曲线 (PR_curve.png)：此曲线是任何分类问题的完整可视化，展示了不同阈值下精确度和召回率之间的权衡。在处理不平衡类别时，它变得尤为重要。

• 精确度曲线 (P_curve.png)：不同阈值下精确度值的图形表示。此曲线有助于理解精确度如何随阈值变化而变化。

• 召回率曲线 (R_curve.png)：相应地，此图说明了召回率值如何随不同阈值变化。

• 混淆矩阵 (confusion_matrix.png)：混淆矩阵提供了结果的详细视图，展示了每个类别的真阳性、真阴性、假阳性和假阴性的数量

  yolov8模型介绍

  YOLOv8 套件提供五种不同的模型：纳米、小型、中型、大型和超大型。数据呈现出一个明显的趋势：随着模型尺寸的增加，mAP 显著提高，表明准确率有所提高。相反，这种增强是以牺牲速度为代价的，模型越大，速度越慢。所有模型都遵循 640x640 像素的标准输入尺寸，从而优化了各种应用程序的性能。