tags: 第 16 屆 iThome 鐵人賽 (2023)

{%hackmd BJrTq20hE %}

YOLO v4訓練前的訓練

YOLO (You Only Look Once) 是一個 one-stage 的 object detection 演算法，將整個影像輸入只需要一個 CNN 就可以一次性的預測多個目標物位置及類別，這種 end-to-end 的算法可以提升辨識速度，能夠實現 real-time 偵測並維持高準確度。
如果被教授問到說他是二維的會被電到起飛'''''

YOLO 的作法就是將輸入的影像切割成 SxS 的網格 (grid)，若被偵測物體的中心落入某個網格內，這個網格就要負責去偵測該物體。而每個網格要負責預測 bounding boxes (bndBox，在 YOLO 的設計中，YOLOv1: B=2, YOLOv2: B=5, YOLOv3: B=3) 和屬於各別類別的機率 (假設有C個類別)，其中對每個 bndBox 的預測會輸出5個預測值: x, y, w, h 以及 confidence。

Evaluation metrics 分類模型

判斷事物的好壞需要一定的評判標準，判斷分類系統的優劣自然需要一定的評判方式。作為設計機器學習系統的一個很重要的環節
YOLO 的評估指標主要有兩項 IOU 和 mAP
IOU (Intersection over Union)
即兩個 bndBox 的交集 / 兩個 bndBox 的聯集，也就是指 predict 的 bndBox與 Ground Truth 的 bndBox 的交集除以聯集，score > 0.5 效果就很優秀了

• mAP (Average Precision)
  即各類別AP的平均值，而AP就是指PR curve (Precision-Recall curve) 的面積 (area under curve, AUC)。
  PR curve 是以 Recall 為 X 軸、Precision 為 Y 軸所繪製成的曲線，Precision 及 Recall 越高，代表模型效能越好。

參考資料

https://medium.com/ching-i/yolo-c49f70241aa7