今天我们将讨论目标检测和评估

物体检测只是一种识别和定位图像中存在的类(如猫、狗等)的技术。这可以通过在每个类周围绘制称为边界框的东西来实现。因此，每次在图像上执行对象检测时，都会返回5项内容-预测类、x、y、w、h，它们是预测边界框的尺寸。

现在，这篇文章不是关于物体检测的，而是关于评估我们在物体检测中的预测的指标。手动检查每一张图像都很容易，但是如果我们有数百万张图像呢？还有，计算机是如何做到这一点的呢？

…来了。。

并集交集(IOU)

这个名字本身似乎很直观，不言而喻。我们所要做的就是取方框的交叉点，然后除以方框的总面积(这是并集)，得到介于0和1之间的分数。

黄色的方框现在是你的交叉口(画得很清爽吧)

红色的方框是工会。

公式=黄框/红框=欠条

仔细查看公式，想一想在这种情况下0或1意味着什么？

太棒了！分数为1表示完全重叠，这意味着完美的边界框，分数为0表示它们没有共同的区域，它们彼此完全分开，您可能需要在该模型上进行更多工作。

现在，欠条的门槛可以由您根据您的使用情况来决定，但这是一个经验法则

欠条分数>0.5，这是正常的

欠条得分>0.7你引起我的注意

欠条分数>0.9分满分！

由于每次借条得分都达到1.0几乎是不可能的，所以任何高于0.9的分数都应该是很棒的。

感谢您阅读我的帖子，祝您愉快：)