YOLOv8入门 | mAP、FPS、F1score重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】

💡💡💡本专栏所有程序均经过测试，均可成功执行💡💡💡

专栏地址：YOLOv8从入门改进到发论文——点击即可跳转 订阅专栏不迷路

在深度学习目标检测领域，YOLOv8成为了备受关注的模型之一。在发论文之前我们需要对YOLOv8的实验结果进行详细的分析。以此来证明我们改进的有效性。这就涉及到了实验结果重要性能的衡量指标。本文将手把手教学如何对YOLOv8的结果分析和重要性能指标进行分析，以帮助您更好地学习深度学习目标检测YOLO系列的挑战，发表更加优质的论文。

我们将重点讨论以下内容：

混淆矩阵，F1分数，查准率，查全率，PR曲线，wandb可视化，影响mAP的因素等

目录

1. 重要性能衡量指标

1.1 混淆矩阵

1.2 查准率，查全率，F1-Score

1.3 PR曲线

1.4 AP与mAP

2. 训练结果评价

2.1权重文件夹——weights

2.2 混淆矩阵——Confusion Matrix

2.3 F1分数——F1-score

2.4 可视化文件——events.out.tfevents

2.5 args.yaml

2.6 P曲线——P_curve

2.8 PR曲线——PR_curve 

2.9 result——损失函数、mAP可视化结果

2.10 数据集信息——label.jpg

3.影响mAP的因素

4. 优化策略

1. 重要性能衡量指标

1.1 混淆矩阵

混淆矩阵是用于评估分类模型性能的一种表格形式。它将模型的预测结果与真实标签进行比较，并将它们分类为四种不同的情况：真正例 (True Positive, TP)、真负例 (True Negative, TN)、假正例 (False Positive, FP) 和假负例 (False Negative, FN)。

在混淆矩阵中，行表示实际类别，列表示预测类别。这个矩阵的一个简单示例是：

其中：

• TP（真正例）：模型正确地将猫标记为猫的数量。例如，图像中确实有一只猫，而模型也成功地将其检测为猫。

• TN（真负例）：模型正确地将非猫标记为非猫的数量。例如，图像中没有猫，而模型也正确地将其识别为非猫【其他类别】。

• FP（假正例）：模型错误地将非猫标记为猫的数量。例如，图像中没有猫，但模型错误地将一只狗误判为猫。

• FN（假负例）：模型错误地将猫标记为非猫的数量。例如，图像中有一只猫，但模型未能将其识别为猫。

1.2 查准率，查全率，F1-Score

下图是为了方便查看公式，更加直观

具体的例子：

1. 准确率（Accuracy）：准确率是指模型正确预测的样本数量占总样本数量的比例。

举例：在100张图像中，模型正确地识别了80张图像中的对象，那么准确率为80%。

2. 查准率（Precision）：查准率是指模型预测为正例的样本中，真正为正例的样本数量占所有预测为正例的样本数量的比例。

举例：模型预测了20张图像中有猫，但实际上只有15张图像中确实有猫，那么查准率为15/20 = 0.75。

3. 查全率（Recall）：查全率是指模型正确预测为正例的样本数量占所有真正为正例的样本数量的比例。

举例：在100张图像中有50张图像中确实有猫，而模型成功地识别了其中的40张，那么查全率为40/50 = 0.8。

4. F1-Score：F1-Score是查准率和查全率的调和平均值，它综合了查准率和查全率的性能。

举例：如果一个模型的查准率为0.75，查全率为0.8，那么F1-Score为2 * (0.75 * 0.8) / (0.75 + 0.8) = 0.774。

1.3 PR曲线

在根据测试集数据评估模型时，得到各特征线性组合后的置信度得分，当确定某阈值后，若得分小于阈值则判为负类，否则为正类，计算出此时的Precision和Recall结果并保存。将阈值从大往小调整得到不同阈值下的Precision和Recall，然后以Recall为横坐标，Precision为纵坐标绘制出P-R曲线图。如果检测器的Precision随着Recall的提升而保持较高，也就是说当改变阈值，Precision和Recall仍然很高，则表示性能较优。

PR曲线