YOLO-学习笔记（二）

前言

记录深度学习目标检测中 TP,FP,TN,FN 以及相关公式。

目标检测

mAP 综合衡量检测效果

在不同置信度阈值中综合考虑所有的 Precision 与 Recall 的情况，综合得出的一个指标值。

IOU 交集和并集的比值
$$
IOU = \frac{Area \space of \space Overlap}{Area \space of \space Union}=\frac{真实值和预测值重叠的部分}{真实值 + 预测值}
$$
TP(true positives) 真的正例

FP(false positives) 假的正例

TNtrue negatives，真的负例

FN(flase negatives) 假的负例

Accuracy 准确率，判断正确的例子的比例
$$
accuracy = \frac{TP + TN}{TP \space + \space FP + \space TN + \space FN}
$$
Precision 精确率，所有判断为正例的例子中，真正为正例的所占的比例
$$
precision = \frac{TP}{TP \space + \space FP}
$$
Recall 召回率（查全率），被真实标注的是否被检测到
$$
recall = \frac{TP}{TP \space + \space FN}
$$

工业检测

$$
漏检率 =\frac{FN}{TP + FN}=\frac{ok盘中真实的缺陷件数}{ng盘中真实的缺陷件数 + ok盘中真实的缺陷件数}
$$

$$
过检率=\frac{FP}{TP + FP}=\frac{ng盘中真实的良品件数}{ng盘中真实的缺陷件数 + ng盘中真实的良品件数}
$$

模型训练

epoch 一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一次epoch。

使用训练集中的全部样本训练一次。

batch_size 决定一次训练的样本数目。

从零开始训练模型的话，batch_sise 可以给小一点。

从预训练模型开始的话，batch_sise 可以尽可能给大一点。

因为大的 batch_sise 代表模型迭代每一步会稳定一些。

总的来说 batch_size 太小会有欠拟合倾向(没那么明显)， 对模型拟合数据的影响没有 learningrate 大。

建议 learningrate 的值给的稳健一些，不要太大，然后给一个 gpu 范围内承受的最大的 batch_sise。

iteration 使用 batch_size 个样本训练一次。