[We-Co] Object Detection Metric

안녕하세요. 위기의코딩맨입니다.

오늘은 YOLO 논문을 알아보기 전,

Object Detection Metric에 관해 간단하게 알아보도록 하겠습니다.

 

Object Detection은 간단하게 말하면

정답에 Bounding Box를 씌우는 작업을 의미합니다.

 

Object Detection

[ IOU ]

Intersection over Union Metric라고 하며, 

1개의 Bounding Box와 다른 비교 Bounding BOx가 얼마나 일치하는지를 0~1의 사이 값으로 표현하는 작업

일치하는 정도 높을수록 1에 가까운 값으로 표현됩니다.

 

IOU

[ Presision, Recall, F1 ]

 

Precision - 정밀도를 나타내며, 검색된 결과들이 관련 있는 것으로 분류된 결과물 비율, 100명의 사람만 검출해야되는데 다른 것을 검출

 

Recall  - 재현율을 나타내며, 관련된 것으로 분류된 항목 중, 실제 검색된 항목 비율 100명을 검출해야하지만  1명만 예측 했을 때 비율   

 

F1 - Precision, Recall의 평균, F1이 높아야 좋은 모델

 

해당 수식 [출처 : https://jonathan-hui.medium.com/map-mean-average-precision-for-object-detection-45c121a31173]

 

[ Average Precision ]

Recall 별로 Precision의 평균으로 기준을 잡은 것을 의미

즉,컴퓨터가 많은 Bound Box를 생성했을때, 하나의 성공 Bound Box 기준을 만드는 작업을 생각하시면 됩니다.

AP가 높을수록 그 알고리즘의 성능이 전체적으로 좋다는 의미를 갖습니다. 

Recall이 커질수록 Precision은 낮아집니다.

 

 Average Precision

 

이러한 물체의 기준을 잡는 여러개의 Class가 존재할 때, 

Class들의 Average Precision의 평균을 구한 것이 mAP라고 합니다.

mAP기준으로 각각의 모델 성능을 비교하는 작업의 지표입니다.

 

 

[ COCOMO mAP ]

mAP보다 조금 더 정밀하게 정답을 구할 수 있는 방법입니다.

예를 들면 Average Presision은 기준을 0.5로 잡고 일치하는지 판단을 진행하는데,

COCOMO mAP는 0.5의 기준보다 다양한 기준점으로 엄밀하게 판단하는 기준을 갖고있습니다.

 

COCOMO mAP

 

 

오늘은 간단하게 Object Detection Metric에 사용되는

Metric 몇가지를 알아보았습니다.