YOLO等目标检测模型的非极大值抑制NMS和评价指标(Acc, Precision, Recall, AP, mAP, RoI)、YOLOv5中mAP@0.5与mAP@0.5:0.95的含义

一、正负样本

YOLOv5正负样本定义

• yolov5输出有３个预测分支，每个分支的每个网格有３个anchor与之对应。
• 没有采用IOU最大的匹配方法，而是通过计算该bounding-box和当前层的anchor的宽高比，如果最大比例大于4（设定阈值），则比例过大，则说明匹配度不高，将该bbox过滤，在当前层认为是背景；
• 计算这些box落在哪个网格内，同时利用四舍五入规则，找出最近的两个网格，将这三个网格都认为是负责预测该bbox的，所以理论上最多一个gt会分配9个正样本anchor，最少为3个（因为引入了相邻两个网格）

参考：
YOLOv3/v4/v4/x中正负样本的定义

Yolo系列 | Yolov4v5的模型结构与正负样本匹配

二、YOLOv5 - 在多类别中应用NMS（非极大值抑制）

2.1 非极大值抑制（NMS）

非极大值抑制虽然一般不作评价指标，但是也是目标检测中一个很重要的步骤，因为下期就要步入经典模型的介绍了，所以这里随着评价指标简单介绍下。

单个预测目标
NMS的英文为Non-Maximum Suppression,就是在预测的结果框和相应的置信度中找到置信度比较高的bounding box。对于有重叠在一起的预测框，如果和当前最高分的候选框重叠面积IoU大于一定的阈值的时候，就将其删除，而只保留得分最高的那个。如下图：

计算步骤：

• NMS计算出每一个bounding box的面积，然后根据置信度进行排序，把置信度最大的bounding box作为队列中首个要比较的对象；
• 计算其余bounding box与当前最大score box的IoU，去除得到的IoU大于设定的阈值的