如何快速水出人生中的第一篇SCI系列：深度学习目标检测算法常用评估指标——一文读懂！

YOLOv8最新改进系列

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

截止到发稿，B站YOLOv8最新改进系列的源码包已更新了22种！
排列组合2-4种后，约有6000-7000种！

---

一、工房工作的的更新情况

1.1 YOLOv8系列改进源码包（已更新22种改进方法）

部分改进教程视频在这：详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

1.2 学术写作小赠送

除此之外，一些小工具、新想法以及创新方向和写作切入点推荐 也会不定时更新一下。等到SCI写作课程推出后，将写作的相关工作更新到课程中。

部分改进教程视频在这：详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

二、思维惯性?文章研读。

算法新是创新？

视频中的北大核心期刊

视频中的SCI期刊

三、常用评估指标

3.1、正样本与负样本

样本在计算机视觉的评价中是非常重要的概念，正样本比较好理解，是要检测的物体，负样本是不要检测的目标。这里负样本会有一些问题，首先负样本定义比较主观，其次负样本和正样本的量纲不在一个级别，那么实际算法中会把检测出的待选区域中的一部分作为正样本，一部分作为负样本，例如 YOLO、Faster-RCNN 及 SSD 等。

比如检测口罩时，口罩是正样本，非口罩则是负样本，比如旁边的人脸、手机等等吧。

3.2 真正(TP)、假正(FP)、真负(TN)、假负(FN)

3.2.1 正确的正向预测（True Positive，TP）

需要满足 3 个条件：

1. 置信度(Confidence Score)大于阈值，实际上预测出的所有的框都要满足这个条件；
2. 预测类型与标签类型匹配；
3. 预测的 Bounding Box 与 Ground Truth 的交并比 (Intersection over Union，IoU，后续会详细介绍) 大于阈值 (e.g. 0.5) ，当有多个满足条件的预选框，则选择置信度最大的作为TP，其余的作为 FP。

3.2.2 错误的正向预测（False Positive，FP）

负样本被检测为正样本的数量，也称误报，预测的 Bounding Box 与 Ground Truth 的 IoU 小于阈值的检测框（定位错误）或者预测的类型与标签类型不匹配（分类错误）

3.2.3 错误的负向预测（False Negative，FN）

正样本没被检测为负样本的数量，也称漏报，指没有检测出的 Ground Truth 区域。

3.2.4 正确的负向预测（True Negative，TN）

是负样本且被检测出的数量，无法计算，在目标检测中，通常也不关注 TN。

3.3 Precision

准确度 (Percision) 也叫查准率，是在识别出的物体中，正确的正向预测 (True Positive，TP) 所占的比率。
10个检测框，7 个正确检测出，则70%

3.4 Recall

召回率 (Recall)，是正确识别出的物体占总物体数的比率。

10个物体，框出8个，则80%。

3.5 F1 score

3.6 P-R曲线

选取不同阈值时对应的精度和召回画出来

3.7 mAP@.5

3.7.1 AP

识别正确的样本数占识别样本总数的百分数，对应着PR曲线下面的面积

3.7.2 mAP.5

所有类别AP值的平均数，通常将mAP作为评估模型性能的最终指标

AP\类别 （IoU=0.5）

3.8 FPS(Frames Per Second)

帧每秒，用于评估模型检测的速度，FPS越高实时性越好。

收工！

遥遥领先了家人们！
详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！