网站开发公司创业策划,wordpress关键词描述插件,微信管理系统app,深圳seo整站优化承接前言#xff1a;Hello大家好#xff0c;我是小哥谈。YOLO算法发展历程和YOLOv5核心基础知识学习完成之后#xff0c;接下来我们就需要学习目标检测相关知识了。为了让大家后面可以顺利地用YOLOv5进行目标检测实战#xff0c;本节课就带领大家学习一下目标检测的基础知识点Hello大家好我是小哥谈。YOLO算法发展历程和YOLOv5核心基础知识学习完成之后接下来我们就需要学习目标检测相关知识了。为了让大家后面可以顺利地用YOLOv5进行目标检测实战本节课就带领大家学习一下目标检测的基础知识点希望大家学习之后有所收获 前期回顾 YOLOv5基础知识入门1— YOLO算法的发展历程 YOLOv5基础知识入门2— YOLOv5核心基础知识讲解 目录 1.目标检测 2.目标检测数据集
2.1 PASCAL VOC数据集
2.2 MS COCO数据集
3.目标检测性能指标
3.1 检测精度指标
3.2 检测速度指标 1.目标检测
目标检测Object Detection的任务是找出图像中所有感兴趣的目标物体确定它们的位置和大小是机器视觉领域的核心问题之一。由于各类物体有不同的外观、形状、姿态再加上成像时的光照、遮挡等因素的干扰目标检测一直是机器视觉领域最具有挑战性的问题。
计算机视觉中关于图像识别有四大类任务
分类Classification解决“是什么”的问题即给定一张图片或一段视频判断里面包含什么类别的目标。定位Location解决“在哪里”的问题即定位出这个目标的的位置。检测Detection解决“是什么在哪里”的问题即定位出这个目标的的位置并且知道目标物体是什么。分割Segmentation分为实例的分割Instance-level和场景分割Scene-level解决“每一个像素属于哪个目标物或场景”的问题。 说明 百科定义♨️♨️♨️ 目标检测也叫目标提取是一种基于目标几何和统计特征的图像分割。它将目标的分割和识别合二为一其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中需要对多个目标进行实时处理时目标自动提取和识别就显得特别重要。随着计算机技术的发展和计算机视觉原理的广泛应用利用计算机图像处理技术对目标进行实时跟踪研究越来越热门对目标进行动态实时跟踪定位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。 关于目标检测具体如下图所示 用YOLOv5进行目标检测我们需要解决所检测目标的定位和识别问题。
定位Localization解决的是目标“在哪里”的问题即需要获知目标位置最小外接矩形Bounding box。
识别Recognition解决的是目标“是什么”的问题即需要获知目标的类别标签Category label和置信度得分Confidence score。 说明 置信度♨️♨️♨️ 置信度是介于0-1或100%之间的数字它描述模型认为此预测边界框包含某类别目标的概率。通俗来说即有多大概率确定所检测的物体是某物体。 同时除了目标检测还有分类、定位、实例分割等任务。
定位是找到检测图像中带有一个给定标签的单个目标 。
检测是找到图像中带有给定标签的所有目标。 2.目标检测数据集
目标检测需要使用到数据集本节课就给大家介绍一下目标检测领域常用的PASCAL VOC和MS COCO数据集。
2.1 PASCAL VOC数据集
PASCAL VOC挑战赛在2005年至2012年间展开。PASCAL VOC挑战赛 The PASCAL Visual Object Classes 是一个世界级的计算机视觉挑战赛PASCAL全称Pattern Analysis, Statical Modeling and Computational Learning是一个由欧盟资助的网络组织。很多优秀的计算机视觉模型比如分类、定位、检测、分割、动作识别等模型都是基于PASCAL VOC挑战赛及其数据集上推出的尤其是一些目标检测模型比如大名鼎鼎的R-CNN系列以及后面的YOLO、SSD等。
PASCAL VOC从2005年开始举办挑战赛每年的内容都有所不同从最开始的分类到后面逐渐增加检测、分割、人体布局、动作识别Object Classification 、Object Detection、Object Segmentation、Human Layout、Action Classification等内容数据集的容量以及种类也在不断的增加和改善。该项挑战赛催生出了一大批优秀的计算机视觉模型尤其是以深度学习技术为主的。
PASCAL VOC 2007: 9963张图像24640个标注。
PASCAL VOC 2012: 11530 张图像,27450个标注。
该数据集有20个分类
Person: person Animal: bird、cat、cow、dog、horse、sheepVehicle: aeroplane、bicycle、boat、bus、car、motorbike、trainIndoor: bottle、chair、dining table、potted plant、sofa、tv/monitor 说明 链接: The PASCAL Visual Object Classes Challenge 2012 (VOC2012) 2.2 MS COCO数据集
MS COCO的全称是Microsoft Common Objects in Context起源于是微软于 2014年出资标注的Microsoft COCO数据集与ImageNet 竞赛一样被视为是计算机视觉领域最受关注和最权威的比赛之一。在ImageNet竞赛停办后COCO竞赛就成为是当前目标识别、检测等领域的一个最权威、最重要的标杆也是目前该领域在国际上唯一能汇集Google、微软、 Facebook以及国内外众多顶尖院校和优秀创新企业共同参与的大赛。
COCOCommon Objects in Context数据集包含20万个图像11.5万多张训练集图像 5千张验证集图像2万多张测试集图像。80个类别中有超过50万个目标标注平均每个图像的目标数为7.2。 说明 链接COCO - Common Objects in Context (cocodataset.org) 3.目标检测性能指标
目标检测的性能指标包括检测精度检测效果是否足够好和检测速度检测速度是否足够快。
检测精度指标
Precision, Recall, F1 scoreIoU (Intersection over Union) P-R curve Precison-Recall curve AP (Average Precision) mAP (mean Average Precision)
检测速度指标
前传耗时每秒帧数 FPS (Frames Per Second) 浮点运算量(FLOPS)
3.1 检测精度指标
1混淆矩阵confusion matrix
混淆矩阵confusion matrix是对分类问题预测结果的总结。使用计数值汇总正确和不正确预测的数量并按每个类进行细分显示了分类模型进行预测时会对哪一部分产生混淆。通过这个矩阵可以方便地看出机器是否将两个不同的类混淆了即把一个类错认成了另一个。
混淆矩阵不仅可以让我们直观的了解分类模型所犯的错误更重要的是可以了解哪些错误类型正在发生正是这种对结果的分解克服了仅使用分类准确率带来的局限性总体到细分。❤️ 总结
精度Precision查准率是评估预测的准不准看预测列
召回率Recall查全率是评估找的全不全看实际行
2IoU (Intersection over Union )
IoUIntersection over UnionIoU即两个边界框相交面积与相并面积的比值边界框的准确度可以用IoU进行表示一般约定在检测中IOU0.5则认为检测正确IOU0.5则认为检测错误。一般阈值设为0.5需要根据实际情况进行设定。 说明 IoU与混淆矩阵的关系♨️♨️♨️ 如果阈值设为0.5那么 如果IOU ≥ 0.5则认为检测正确归类为TP。 如果IOU0.5则认为检测错误归类为FP。 当图像中存在一个真实目标而未能检测到目标时将其归类为FN。 当没有检测某图像的物体时即没有对该图像进行检测该图像其实没有用处将其归类为TN。 3P-R curve
P-R curve Precison-Recall curve曲线体现的是精确率和召回率的关系。在准确率很高的前提下尽可能的检测到全部的类别。因此希望我们的曲线接近(1,1)即希望曲线的面积尽可能接近1。 4AP和mAP
AP (Average Precision)衡量的是学习出来的模型在每个类别上的好坏。
mAP (mean Average Precision)衡量的是学习出来的模型在所有类别上的好坏。mAP就是取所有类别上AP的平均值。 用一个简单的例子来演示平均精度AP的计算。 假设数据集中总共有5个苹果。 我们收集模型为苹果作的所有预测以10次预测举例并根据预测的置信水平从最高到最低对其进行排名。 第二列表示预测是否正确。 如果它与 ground truth匹配并且IoU≥0.5则是正确的。
由下图可以看到Recall随着包含更多预测而增加但Precision会上下波动。 3.2 检测速度指标
前传耗时ms从输入一张图像到输出最终结果所消耗的时间包括前处理耗时如图像归一化、网络前传耗时、后处理耗时如非极大值抑制。 说明 关于非极大值抑制请参考我的另外一篇文章♨️♨️♨️ 目标检测中NMS非极大值抑制原理解析 每秒帧数 FPSFrames Per Second每秒钟能处理的图像数量 。
FPS是图像领域中的定义是指画面每秒传输帧数通俗来讲就是指动画或视频的画面数。FPS是测量用于保存、显示动态视频的信息数量。每秒钟帧数愈多所显示的动作就会愈流畅。通常要避免动作不流畅的最低是30。
浮点运算量FLOPS处理一张图像所需要的浮点运算数量跟具体软硬件没有关系可以公平地比较不同算法之间的检测速度。
