如果我对自己的数据集进行一些培训或评估，我对指标有一些疑问。我仍然是这个主题的新手，只是试验了tensorflow和googles对象检测api和tensorboard ......
所以我做了所有这些事情，用物体检测api完成并运行并训练了一些图像并对其他图像做了一些评估。
所以我决定使用加权PASCAL指标进行评估： 在张量板中，我为每个班级获得了一些IoU，而且还有mAP，这很好看，现在问题就出现了。
IoU为我提供了地面实况和预测框重叠程度的价值，并测量了物体探测器的准确度。
第一个问题：如果没有检测到具有地面实况的物体，是否会对IoU产生影响？
第二个问题：如果预测地面真相对象是否为假否定，是否会影响IoU？
第三个问题：如果没有地面实体对象，那么虚假Positves会怎样？
编码问题：
第四个问题：是否有人从对象检测API修改评估工作流程以引入更多指标，如准确度或TP / FP / TN / FN？如果可以的话，可以为我提供一些解释代码或者你使用过的教程 - 那真是太棒了！
第五个问题：如果我会监控一些过度拟合并占据我70％traindata的30％并进行一些评估，哪个参数显示我的数据集中有一些过度拟合？
也许这些问题是新手问题，或者我只需要阅读和理解更多 - 我不知道 - 所以我们非常感谢您的帮助!!
由于
答案 0 :(得分：0)
让我们从定义特定对象类的精度开始：它对该类的所有预测的良好预测比例，即其TP /（TP + FP）。例如，如果您有狗，猫和鸟的探测器，那么狗的精确度将是标记为狗的所有预测中正确标记的狗的数量（即包括错误检测）。
要计算精度，您需要确定每个检测到的框是TP还是FP。要做到这一点，你可以使用 IuO 测量，即，如果检测到的盒子与某些地面实况盒有重要（例如，50％*）重叠，如果两个盒子属于同一类，则为TP ，否则是它的FP（如果检测不匹配任何一个盒子也是FP）。
* @ 0.5IUO快捷方式的来源，你可能已经在带有PASCAL指标的图表标题的Tensorboard中发现了它。
如果估算器输出一些质量测量值（甚至概率），您可以决定放弃质量低于某个阈值的所有检测。通常，估计器被训练为输出0到1之间的值。通过更改阈值，您可以调整估计器的重新调用度量（正确发现的对象的比例）。降低阈值会增加召回率（但会降低精度），反之亦然。 平均精度（AP）是在不同阈值上计算的类预测的平均值，在PASCAL指标中，阈值来自范围[0,0.1，...，1]，即其平均精度不同召回水平的价值观。它试图用一个数字捕获探测器的特征。
平均精确度是所有课程中平均预设的平均值。例如，对于我们的狗，猫，鸟探测器，它将是（dog_AP + cat_AP + bird_AP）/ 3。
PASCAL挑战中可以找到更严格的定义paper，第4.2节。
关于过度拟合的问题，可能有几个指标，一个可能是，在独立测试/验证集上计算的AP / mAP指标开始下降，而损失仍在减少。