PyTorch-YOLOv3 精度指标
PyTorch-YOLOv3 Accuracy Metrics
我正在使用现有的 PyTorch-YOLOv3 架构并训练它通过 google colab 识别自定义数据集用于研究手稿。基本上我想使用对象检测算法来计算图像中两个 类 的对象数量。
有人告诉我，为了我的目的，我应该为模型生成 validation/training 曲线并创建一个混淆矩阵来评估训练模型的分类器元素。我有一个想法修改训练脚本以在训练期间将训练指标输出到 csv 文件，但我不熟悉如何创建混淆矩阵来评估训练模型。
另外，在计算机视觉领域，稿件应该生成什么样的metrics/figures？
关于你问题的第一部分，因为你似乎只关心两个 classes，一个简单的混淆矩阵看起来像
class_1 class_2
class_1 a_11 a_12
class_2 a_21 a_22
其中 a_ij 是 class i 中被 class 化为 class j 的对象的数量。理想情况下，您希望这个矩阵是对角线的。
关于第二部分，这取决于您要展示的内容。对象检测的常用指标是 IOU 和 mAP。假设你有一个真实边界框 G 和一个检测 D，你可以简单地定义它的 IOU（即并集上的交集）
as intersection(D,G)/union(D,G) with in intersection and union 集合上的常用操作。 mAP（平均平均精度）的定义因数据集和作者而异，但通常非常接近 "area under the precision-recall curve"。我邀请您查看 Pascal 或 Coco 数据集文档，以深入讨论该主题。
我正在使用现有的 PyTorch-YOLOv3 架构并训练它通过 google colab 识别自定义数据集用于研究手稿。基本上我想使用对象检测算法来计算图像中两个 类 的对象数量。
有人告诉我，为了我的目的，我应该为模型生成 validation/training 曲线并创建一个混淆矩阵来评估训练模型的分类器元素。我有一个想法修改训练脚本以在训练期间将训练指标输出到 csv 文件，但我不熟悉如何创建混淆矩阵来评估训练模型。
另外，在计算机视觉领域，稿件应该生成什么样的metrics/figures？
关于你问题的第一部分，因为你似乎只关心两个 classes，一个简单的混淆矩阵看起来像
class_1 class_2
class_1 a_11 a_12
class_2 a_21 a_22
其中 a_ij 是 class i 中被 class 化为 class j 的对象的数量。理想情况下，您希望这个矩阵是对角线的。
关于第二部分，这取决于您要展示的内容。对象检测的常用指标是 IOU 和 mAP。假设你有一个真实边界框 G 和一个检测 D，你可以简单地定义它的 IOU（即并集上的交集）
as intersection(D,G)/union(D,G) with in intersection and union 集合上的常用操作。 mAP（平均平均精度）的定义因数据集和作者而异，但通常非常接近 "area under the precision-recall curve"。我邀请您查看 Pascal 或 Coco 数据集文档，以深入讨论该主题。