yolov8评价指数计算公式

### YOLOv8 模型评估指标计算方法 #### mAP (Mean Average Precision) mAP 是目标检测中最常用的评价标准，用于衡量模型的整体准确性。对于每个类别，先计算 AP (Average Precision)，再取所有类别的平均值得到 mAP。 AP 的计算基于 precision-recall 曲线下的面积： - 对于每张图片中的每个预测框，按照置信度降序排列 - 遍历这些预测框，分别统计 true positive 和 false positive 数量 - 计算不同阈值下的 precision 和 recall 值 - 绘制 PR 曲线并计算曲线下面积即为 AP[^1] 最终的 mAP 通过以下方式获得: \[ \text{mAP} = \frac{\sum_{c=1}^{C}\text{AP}_c}{C} \] 其中 \( C \) 表示类别总数, \( \text{AP}_c \) 表示第 c 类的 AP 值. #### Precision (精确率) 精确率定义为真正例占所有预测正样本的比例: \[ \text{Precision} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Positives}} \] 这反映了模型预测结果中有多少是真的正样本[^2]. #### Recall (召回率) 召回率表示实际正样本中有多少被成功识别出来: \[ \text{Recall} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Negatives}} \] 高召回意味着模型能够找到大部分的真实物体实例. #### IoU (Intersection Over Union) IoU 用来测量预测边界框与真实边界框之间的重合程度: \[ \text{IoU} = \frac{\text{Area of overlap between prediction and ground truth box}}{\text{Total area covered by both boxes}} \] 通常设定一个 IoU 阈值来判断预测是否有效，默认情况下该阈值设为0.5. ```python def calculate_iou(box_a, box_b): # Calculate intersection coordinates inter_xmin = max(box_a[0], box_b[0]) inter_ymin = max(box_a[1], box_b[1]) inter_xmax = min(box_a[2], box_b[2]) inter_ymax = min(box_a[3], box_b[3]) # Compute the width and height of the intersection rectangle inter_width = max(0, inter_xmax - inter_xmin + 1) inter_height = max(0, inter_ymax - inter_ymin + 1) # Intersection area inter_area = inter_width * inter_height # Area of each bounding box box_a_area = (box_a[2] - box_a[0] + 1) * (box_a[3] - box_a[1] + 1) box_b_area = (box_b[2] - box_b[0] + 1) * (box_b[3] - box_b[1] + 1) # IOU calculation iou = inter_area / float(box_a_area + box_b_area - inter_area) return iou ```