성능 평가 지표
in Deep-Learning / Theory
정밀도(Precision)와 재현율(Recall)
- 정밀도(Precision)
올바르게 탐지한 물체의 수(TP) / 모델이 탐지한 물체의 개수(TP + FP)
“긍정으로 예측한 결과중 TP”
- 재현율(Recall)
올바르게 탐지한 물체의 수(TP) / 실제 정답 물체의 수(TP + FN)
“실제 긍정 결과중 TP”
예시 1) 강아지가 20마리 존재할 때 모델이 10마리의 강아지를 검출하여 5마리는 정확히 맞힌 경우
- 정밀도 = 5/10 = 50% , 재현율 = 5/20 = 25%
예시 2) 강아지가 10마리 존재할 때 모델이 20마리의 강아지를 검출하여 7마리는 정확히 맞힌 경우
정밀도 = 7/20 = 35%, 재현율 = 7/10 = 70%
만약 모든 영역에 대하여 전부 사물이 존재한다고 판단을 해버리면 어떤 일이 벌어질까 ?
재현율은 높아지지만, 정밀도는 떨어지게 됩니다.
- 만약 매우 확실할 때만(confidence가 높을 때만) 사물이 존재한다고 판단하면 어떤 일이 벌어질까 ?
정밀도는 높아지지만, 재현율을 떨어지게 됩니다.
Average Precision
- 일반적으로 정밀도와 재현율은 반비례 관계를 가진다.
- 따라서 Average Precision 으로 성능을 평가하는 경우가 많다.
IoU (Intersection over Union)
- IoU란 두 바운딩 박스가 겹치는 비율을 의미한다.
- 성능 평가 예시 : mAP@0.5 는 정답과 예측의 IoU가 50% 이상일 때 정답으로 판정하겠다는 의미
- NMS 계산 예시 : 같은 클래스(class)끼리 IoU가 50% 이상일 때 낮은 confidence의 box 제거
NMS (Non Maximum Suppression)
- 객체 검출(object detection)에서는 하나의 인스턴스에 하나의 bounding box가 적용되어야 합니다.
- 여러개의 bounding box가 겹쳐 있는 겨웅에 하나로 합치는 방법이 필요합니다.
IoU가 특정 임계점(threshold) 이상인 중복 box 제거