TN(True Negatives):分类器把负例正确的分类-预测为负例(yolov5中没有应用到) yolov5中没有应用TN的原因: TN代表的是所有可能的未正确检测到的边界框。然而在yolo在目标检测任务中,每个网格会生成很多的预测边界框,有许多的预测边界框是没有相应的真实标签框,导致未正确检测到的边界框数量远远大于正确检测到的边...
这里也强调一下吧,因为至少有十个人来报bug都是因为改为了单类别识别:yolov5本身的损失函数设计就不适合识别模型,也就是nc设为1的话,loss会异常,比如分类loss一直为0,其他损失函数有时不降反升等等。原因是因为yolo系列的head部分由分类分支(不包含背景类,通道数为num_classes)+回归分支+置信度分支组成,其它检测...
TN(True Negatives):分类器把负例正确的分类-预测为负例(yolov5中没有应用到) yolov5中没有应用TN的原因: TN代表的是所有可能的未正确检测到的边界框。然而在yolo在目标检测任务中,每个网格会生成很多的预测边界框,有许多的预测边界框是没有相应的真实标签框,导致未正确检测到的边界框数量远远大于正确检测到的边...
TN(True Negatives):分类器把负例正确的分类-预测为负例(YOLOv5中没有应用到) YOLOv5中没有应用TN的原因: TN代表的是所有可能的未正确检测到的边界框。然而在YOLO在目标检测任务中,每个网格会生成很多的预测边界框,有许多的预测边界框是没有相应的真实标签框,导致未正确检测到的边界框数量远远大于正确检测到的边...