YOLO系列检测模型参数说明

原创 于 2026-01-21 14:20:57 发布 · 735 阅读 · 27 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
标签
#YOLO

文章目录

1、IoU

模型预测出的目标框与真实目标框的交并比。

作用：

  • IOU用于计算边界框回归损失（如GIoU，DIOU，CIoU损失），优化预测框的位置；
  • IOU用于NMS（非极大抑制）去除冗余框，以及评价指标（mAP，F1）的计算。
    计算方法：
    在这里插入图片描述
    公式：
    I O U = A ⋂ B A ⋃ B IOU=\frac{A\bigcap{B}}{A\bigcup{B}} IOU=A⋃BA⋂B​
1.1 TP （True Positive，正检）

在这里插入图片描述
TP，也叫真正例。模型预测出的目标框与真实目标框的交并比(loU)大于设定阈值(一般为0.5),即认为是正确检测到目标，这样的预测框数量记为 TP。
例如在检测图片中的交通指示牌时，模型预测出一个框(红色)，该框与图片中实际指示牌的真实框(绿色)，oU超过阈值，让TP加1。

1.2 FP （False Positive，误检）

FP，也叫假正例。模型预测出的目标框与任何真实目标框的loU都小于设定阈值(0.5)，即错误地将背景或其他非目标物体检测为目标，这类预测框数量记为FP。
比如误把电线杆、背景检测为交通牌，检测的交通牌交并比小于0.5都记为FP。

1.3 FN （False Negative，漏检）

FN，也叫假负例。存在真实目标，但模型没有检测到(即没有预测出与该真实目标框 loU 大于阈值的预测框)，这类未被检测到的真实目标数量记为 FN。比如图片中有5个交通牌，模型只检测出3个那么就有 2 个漏检的情况。

2、精度和召回率

2.1 概念及算法

P 和 R 呈负相关，先看精度和召回率的计算公式。

P(精度，Precision)
公式：
P =  T P ( T P + F P ) P\text{= }\frac{TP}{\left ({TP+FP}\right )} P= (TP+FP)TP​
R(召回率，Recall)
公式：
P =   T P ( T P + F N ) P=\mathrm{\text{ }}\frac{TP}{\left ({TP+FN}\right )} P= (TP+FN)TP​
模型为了不漏检(高 Recall)，可能会生成更多预测框，导致误检增加(低Precision)。

举例：

  • 高Precision:医疗诊断(避免健康人被误判为患者，健康器官切了) ;
  • 高Recal:安防监控(减少漏检，避免危险目标未被识别)。

练习题1：实际有1000个交通标识牌，模型检测到1100个框，正确检测到的有880个，算一下TP，FP，FN，以及P和R。假设不考虑置信度（文末赋答案）

练习题2：实际有1000个交通标识牌，模型检测到1100个框，正确检测到的有880个，置信度框大于0.6的有900个，其中正确的是800个，算一下TP，FP，FN，以及P和R。（文末赋答案）

这里又引入了一个新的概念，置信度
置信度：模型认为检测到目标框的可能概率（0-1），模型检测到的目标置信度小，可能性就小。

2.2 结果解读

P值越高，检测越准确；R值越高，检测越全面。
置信度为0，实际100个目标，模型检测到1000个框，正确的有99个；
置信度为1，实际100个目标，模型检测到1个框，正确的有1个；
置信度和精度的关系
置信度和召回率的关系

3、AP和mAP

3.1 定义

AP，也叫平均精度，衡量单个类别的检测性能，综合反映模型在“查准率”（精度P）和“查全率”(召回率R)之间的平衡，数值越高，说明模型对该类目标的检测效果越好。

绘制 PR 曲线并计算 AP ，以 Recall 为横轴，Precision为纵轴，连接所有(Recall,Precision)点形成的曲线。通过积分的形式计算 PR 曲线下的面积(AUC)，更准确反映型性能。

mAP就是所有类别AP的均值。
AP曲线图

4、F1值

4.1 概念及算法

F1 score是精确率(Precision)和召回率(Recall)的调和平均数能更全面地评估模型性能。
F1score 在0到1之间，值越接近1，表明模型性能越好。
在实际应用中，它常用于平衡精确率和召回率的需求，特别是在数据类别不平衡的情况下，能更有效地评估模型性能。
F 1 = 2 ∗ P ∗ R P + R F1=2∗\frac{P∗R}{P+R} F1=2∗P+RP∗R​

2.2 结果解读

在这里插入图片描述
Confidence:置信度，代表模型对预测结果预测的准确性将模型对某一类别的所有预测框按置信度从高到低排序。

  • 0:漏检几乎没有，误检非常多。
  • 0-0.2:漏检影响不大(对的目标置信度不会太低)误检数量减少。
  • 0.2-0.8:召回率下降(漏检变多)，精确率上升的收益(误检变少)，相互抵消，F1就进入平稳平台期。
  • 0.8-1.0:模型判定十分严格，极端匹配的预测才保留召回率断崖式下跌，即便精确率接近100%，但漏检太多，F1直线跳水。

5、FPS和浮点数

5.1 FPS

FPS 表示模型每秒处理的图像帧数，用于衡量模型在实际硬件上的推理速度(CPU/GPU/TPU 等)
例如，若处理一帧图像需要 0.02秒，则FPS=50。
通常使用推理100张图片来做综合考量。

5.2 浮点数

FLOPs 表示模型完成一次前向传播所需的(卷积)浮点运算次数(如加法、乘法、除法等)，是衡量模型理论计算复杂度的指标。主要用来衡量模型复杂度、指导轻量化。

6、模型训练结果分析

best.pt:文件保存的是在整个训练过程中，在验证集上表现最优的模型权重，一般用mAP的大小来衡量，通常推理时使用的模型。
last.pt:文件保存的是训练过程中最后一轮训练结束时的模型权重，也是继续训练的起点。

在这里插入图片描述

7、混淆矩阵

在这里插入图片描述

  • 每一行是真实类别，每一列是预测类别。
  • 矩阵中Aij的含义是：第j个类别被预测为第i个类别的概率。
    左下区域：通常对应实际为某类别，但模型预测成背景（即没有预测），符合漏检定义，即模型漏检了真实存在的目标。

head为例，在左下角区域，有真实类别为 head，但模型预测为 background FN ，对应数值是 0.15 。即实际存在头部（真实类别是 head ），但模型却没有检测到这个头部，这就是模型漏检 。

右上区域：一般是实际不是某类别，但模型错误预测为该类别的情形，与误检（FP）概念相符，也就是模型将非目标类别误判成了目标类别 。

head类别为例，右上角区域中，真实类别为背景，但模型预测为 head ，对应数值是 0.97 。意思是在实际中，这部分样本本应属于背景，但模型却错误地把它们识别成了head。

答案

题目1：实际有1000个交通标识牌，模型检测到1100个框，正确检测到的有880个，算一下TP，FP，FN，以及P和R。
TP(True Positive,正检)
FP(False Positive，误检)
FN(False Negative，漏检)
P =TP /（TP +FP）
R = TP /（TP +FN）
TP=880
FP=1100-880=220
FN =1000-880=120
P=880/1100=80%
R=880/1000=88%

题目2：实际有1000个交通标识牌，模型检测到1100个框，正确检测到的有880个，置信度框大于0.6的有900个，其中正确的是800个，算一下TP，FP，FN，以及P和R。
TP = 800
FP = 900-800 = 100
FN = 1000-800= 200
P = 800/(800+100)=89%
R = 800/(800+200)= 80%

YOLOV11 每一个检测头参数量和计算量的大小
最新发布
weixin_50993868的博客
11-16 299
通过对比这些数据，我们可以分析 P3、P4 和 P5 各自对模型的参数量 (parameters) 和计算量 (GFLOPs) 的贡献。YOLO11 (Base) 319 2,591,790 6.5 包含 P3, P4, P5 所有输出。YOLO11 (Base) 319 2,591,790 6.5 包含 P3, P4, P5 所有输出。YOLO11-P3 removed 295 2,555,492 5.4 移除了 P3 输出分支。
神经网络中的参数解读
yudiemiaomiao的博客
05-17 2万+
1.Batch_Size(批尺寸) 该参数主要用于批梯度下降算法(Batch Gradient Descent)中，批梯度下降算法是每次迭代都遍历批中的所有样本，由批中的样本共同决定最优的方向，Batch_Size 正是批中的样本数量。 若数据集比较小，可以采用全数据集(Full Batch Learning)的形式，由全数据确定的方向能更好地代表样本总体，从而更准确地朝向极值所在的方向；但该种
YOLO源码详解（五）-追本溯源7*7个grid
木凌的博客
12-15 8398
作者：木凌 时间：2016年11月。 文章连接：http://blog.csdn.net/u014540717 QQ交流群：554590241 最近一直有人在问，把图像分为7*7个网格，每个网格推荐两个框是什么意思，一直没搞明白，今天我们就从源码入手，追本溯源，彻底理解7*7个grid 在YOLO源码详解（三）- 前向传播（forward）里，我们分析了detection_lay...
YOLOv8训练参数详解（全面详细、重点突出、大白话阐述小白也能看懂）
热门推荐
qq_37553692的博客
05-27 12万+
model: 模型文件的路径。这个参数指定了所使用的模型文件的位置，例如 yolov8n.pt 或 yolov8n.yaml。模型文件包含了已经训练好的模型的权重和结构。 data: 数据文件的路径。该参数指定了数据集文件的位置，例如 coco128.yaml。数据集文件包含了训练和验证所需的图像、标签和其他数据的信息。 epochs: 训练的轮数。这个参数确定了模型将会被训练多少次，每一轮都遍历整个训练数据集。训练的轮数越多，模型对数据的学习就越充分，但也增加了训练时间。
yolov5 模型各个参数详解及__name__ == ‘__main__的理解
m0_51816252的博客
06-09 3234
学习一个模型的使用，往往是从参数开始的，弄懂了各个参数的作用，才能更好的进行应用，本文就对yolov5 模型各个参数进行详细的说明，并且提到了对__name__ == '__main__'的理解。
Yolov3目标检测原理
LYH8543的博客
02-14 1668
优势：多尺度检测：YOLOv3在三个不同的尺度上进行检测，提高了模型对于不同大小物体的识别能力。在类别预测方面，YOLOv3采用了逻辑回归而非softmax，从而可以更好地处理多标签场景。更多的YOLOv3使用了多达9个锚框（分布在三个不同的尺度上），相比YOLOv2更能准确地适应不同形状和大小的目标。更大的模型和更深的架构：YOLOv3使用了Darknet-53，一个比YOLOv2的Darknet-19更大、更深的网络架构，以获得更高的准确性。
YOLO系列介绍
2301_80467435的博客
10-11 1080
主干网络：YOLOv4采用了CSPDarknet53作为主干网络，利用了Cross Stage Partial Networks（CSPNet）来增强梯度流和特征提取的效率。颈部（Neck）：使用了PANet（Path Aggregation Network），用于聚合来自不同层的特征图，从而提高模型在不同尺度上的物体检测能力。检测头：检测头使用多个尺度（YOLOv4能够在三个不同的尺度上检测物体），增强了对小型、中型和大型物体的检测精度。多尺度检测。
[目标检测] YOLO系列算法讲解
m0_74055982的博客
05-14 2624
模型优点：YOLO检测速度非常快，标准版本的YOLO可以每秒处理45张图像，YOLO的极速版本可以每秒处理150帧图像，这就意味着该模型可以实时处理视频，在当时，准确率比它高的，速度没他快，速度比他快的，精度没他高。迁移能力强，能运用到其他新的领域。局限：1、YOLO对相互靠近的物体，以及很小的群体检测效果不好，因为只预测了98个框。假如一张图片有200个目标的话，根本检测不完。2、由于损失函数的问题，定位误差是影响检测效果的主要原因，尤其是大小物体的处理上。有待提高。
YOLO-V1~V3经典物体检测算法介绍
suic009的博客
02-09 3854
YOLO-V1~V3经典物体检测算法介绍
Yolo8训练参数
rf2501918976的博客
05-02 1437
YOLOv8 支持不同尺寸的图像，通常会使用 640、416、320 等作为输入图像的尺寸。：较大的 batch size 可以提升训练的效率，但同时需要更多的 GPU 内存。：通过自动化的超参数优化（如随机搜索、网格搜索）来调节模型的学习率、批量大小等超参数，以提升模型的性能。：如果有可用的 GPU，YOLOv8 会自动使用 GPU 进行训练，否则会使用 CPU。：同时执行训练和验证过程，通常在训练过程中进行交替验证，以监控训练的进展。：模型训练阶段，通常是从头开始训练或继续训练已保存的模型。
PaddleDetection：YOLO系列参数说明
SYGgogogo的博客
11-25 2122
YOLO系列模型参数配置教程 paddledetection GitHub官方文档，以备打不开 官方链接 以ppyolo_r50vd_dcn_1x_coco.yml为例，这个模型由五个子配置文件组成： 一、数据配置文件 coco_detection.yml # 数据评估类型 metric: COCO # 数据集的类别数 num_classes: 80 # TrainDataset TrainDataset: !COCODataSet # 图像数据路径，相对 dataset_dir 路径，os.
Yolo 超参数详解
2301_79863908的博客
08-06 3327
yolo超参数详解
目标检测算法——YOLOv4
Clichong
06-18 3936
以下内容如有错误，恳请指出 以下先回顾一下之前的笔记总结： YOLOv1：目标检测算法——YOLOv1 YOLOv2：目标检测算法——YOLOv2 YOLOv3：目标检测算法——YOLOv3 在前面的目标检测算法笔记中，已经介绍了YOLOv1，v2，v3的版本，其中本来还想记录一下YOLOv3的一些改进版本的，比如：YOLOv3-SPP，SlimYOLOv3， YOLOv3-SPP-Ultralytics。通过学习了一些b站的相关讲解视频与一些相关的博客，也知道了这些版本的一点区别。 以下对YOLOv3.
YOLOv3目标检测算法——通俗易懂的解析
chase
08-17 9928
YOLOv3目标检测算法——通俗易懂的解析
yolov5参数解析
qq_56591814的博客
10-07 3万+
大型数据集预训练好的权重主干特征提取能力是比较强的，这个时候我们只需要冻结主干网络，fine-tune后面层就可以了，不需要从头开始训练，大大减少了时间而且还提高了性能。如果开启了noautoanchor，在训练开始前，会自动计算数据集标注信息针对默认锚框的最佳召回率，当最佳召回率大于等于0.98时，则不需要更新锚框；：yolov5使用遗传超参数进化，提供的默认参数是通过在COCO数据集上使用超参数进化得来的（也就是hpy文件夹下默认的超参数）。矩阵推理会加速模型的推理过程，减少一些冗余信息。
Yolo网络参数说明
Ango_的专栏
03-14 1503
[net] # Testing #batch=64 #subdivisions=8 # Training batch=64 subdivisions=4 width=416 height=416 channels=1 momentum=0.9 decay=0.0005 angle=45 saturation = 1.5 exposure = 1.5 hue=.1 learning_rate=0.001 burn_in=1000 max_batches = 500200 policy=steps step.
yoloV3参数理解及注释
qq_33485434的博客
07-04 2万+
不对的地方求各位纠正 [net] # Testing #batch=1 #subdivisions=1 # Training batch=64 一批训练样本的样本数量，每batch个样本更新一次参数 subdivisions=64 batch/subdivisions作为一次性送入训练器的样本数量 如果内存不够大，将batch分割为subdivisions个子bat...
YOLOV2参数详解
xiaoye5606的博客
06-02 9960
原博客：http://blog.csdn.net/fate_fjh/article/details/70598510 前言 You Only Look Once (YOLO) 是一个基于GoogleNet的物体检测深度网络，Real-time(实时)与Efficient(有效)一定是YOLO最大的特点与优势。YOLO与其他物体检测的深度网络思路基本相同，学习物体分类以及Bounding
yolo的参数解读
wxshan3的博客
09-19 1620
一、网络结构图： layer filters size input output 0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 1 max 2 x 2 / 2 416 x 416 x 32 -...
Yolov3参数理解
不知小姐
08-07 4万+
1.yolov3-voc.cfg(参考很多文章写的汇总，有些写了但还是不是很懂，如果有误请及时指正) [net] # Testing 测试模式 # batch=1 # subdivisions=1 # Training 训练模式 batch=64 ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值