目录
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）：
检测流程
1、图像网格划分
将输入图像划分为 SxS 个网格（论文中S=7），每个格子预测 B 个 Bounding Box（论文中B=2），其中每个框包括中心点坐标（x, y）、宽w、高h、置信度conf
2、类别预测
每个格子预测 20 个类别的概率（当时VOC数据集是20分类 ）
3、输出张量
最终输出维度为 7x7x30：
这里的 7x7 代表格子数，30 = 2x5+20，2x5 表示两个框内的中心坐标、宽高以及置信度，20表示每个格子代表的20个类别概率，最终会选择置信度较大的框作为预测结果。
损失函数
整个YOLOv1的损失函数由五部分组成：
合并后的公式如下：
这里就不详细介绍了，可以自己研究研究，那个 (下标为ij) 代表的意思是如果第i个格子第j个框有物体时则值为1，反之为0.
优点
速度快：单阶段检测，实时性强（45 FPS，快速版达150 FPS）。
全局推理：直接处理整张图像，减少背景误检（相比R-CNN系列）。
端到端训练：简化流程，无需区域提议。
缺点
定位精度较低：尤其对小目标和密集目标检测效果差（网格划分限制）。
每个网格仅预测一类：难以处理重叠目标。
边界框形状受限：预设的Anchor机制未引入（YOLOv2改进）
这篇就到此为止，下一篇可能是YOLOv2 ～ (๑•̀ㅂ•́)و✧
以上有问题可以指出。