Я использовал YOLOv5 в Supervisely для маркировки с помощью ИИ и наткнулся на метрики в учебнике, которые будут отображаться как результаты модели. Я искал эти метрики и собирал информацию для лучшего понимания.
Глу
Чтобы проиллюстрировать обобщенное пересечение над союзом (GloU), мы должны начать с loU. Расчет IoU довольно прост. IoU указывает, насколько перекрываются ограничивающие рамки. Если наш прогноз верен, две ограничивающие рамки будут полностью перекрываться, а IoU будет равен 1.
Однако IoU работает таким образом, что не может указывать на лучшие прогнозы, говоря «лучше», мы имеем в виду прогноз, который ближе к истине, если нет пересечения. На третьем рисунке ниже более близкая синяя ограничительная рамка будет лучше, чем те, которые находятся далеко, но все они имеют общий IoU, равный 0, поскольку нет перекрытия.
Таким образом, GIoU разработан таким образом, чтобы измерять качество прогноза, хотя между прогнозом и достоверностью нет пересечения. И в этом случае GIoU указывает на потерю GIoU.
Объектность
Объектность количественно определяет, насколько вероятно, что окно изображения будет содержать объект любого класса, например, автомобили и собак, в отличие от фона, такого как трава и вода.
Классификация
Точность + отзыв
точка доступа
