프로젝트1. 사람감지(02)

🍋 yolov5 학습 튜토리얼2 (+mAP, IoU, Test & Inference)

• test/모델 성능평가

🍇 run test.py 인자값 설명

🍒 모델 성능평가

• yolo의 모델성능(정확도)는 Mean Average Precision(mAP)를 통해 확인이 가능함
• mAP가 높으면 정확도가 높은것임
• AP 계산시, precision-recall 곡선을 사용하는데, IoU, precision, recall, precision-recall의 개념 공부는 필수임
• ☝ Intersection over union (IoU)
  : 데이터셋에 대해 객체 검출하는 모델의 정확도를 측정하는 평가지표
  : 이는 합성곱 신경망을 사용한 객체 검출 모델(R-CNN, Faster R-CNN, YOLO 등)을 평가할 때 사용
  : IoU를 평가는 ground-truth bounding box (정답 바운딩 박스 : 사람이 라벨링함)와 모델이 예측한 predicted bounding box가 필요함
  : IoU 계산방법은 두 바운딩 박스를 가지고 IoU = 교집합 영역 넓이 / 합집합 영역 넓이
  : classfication (분류) 문제같은 경우, 모델이 예측한 class 라벨 값이 실제 class값과 같은지, 다른지 확인해보기
  : 그러나 객체검출에서 모델이 예측한 bounding box의 x, y 좌표들이 정답 bounding box x, y 좌표들과 정확히 일치하는 경우는 거의 없기 때문에 IoU를 사용하는 것임
  : IoU는 모델이 예측한 bounding box가 정답 바운딩 박스와 겹치는 부분이 많을수록 reward를 줌
  : 즉, 예측된 bounding box와 정답 bounding box가 겹치는 부분이 많을수록 점수가 높음
  : IoU를 사용함으로써 x,y좌표가 정확히 일치하는지는 보는게 아닌, bounding box가 정답과 최대한 가까워지도록 학습하는 것이 중요함

® [yolov5 학습 튜토리얼 2] https://lynnshin.tistory.com/48