YOLOv5中 计算MAE, RMSE 的方法

Question

YOLOv5中 计算MAE, RMSE 的方法
请问如何修改代码呢？求详细步骤

Answer 1

引自免费微信小程序：皆我百晓生

在YOLOv5中，计算MAE（Mean Absolute Error）和RMSE（Root Mean Squared Error）通常是在模型训练或验证后，针对预测结果与真实标注进行评估时进行的。这里假设你已经有了预测框坐标和对应的真值框坐标。

为了演示如何计算这两个指标，以下是一个简单的示例代码片段：

import numpy as np

# 假设predictions是模型预测出的bounding box坐标数组，每个元素是一个四维向量(xmin, ymin, xmax, ymax)
predictions = np.array([...])  # 替换为实际预测值

# 真实标注的bounding box坐标数组，结构同上
ground_truths = np.array([...])  # 替换为实际真值

def calculate_mae(preds, targets):
    # 计算预测框与真实框之间的绝对误差，并取平均
    errors = np.abs(preds - targets)
    mae = np.mean(errors.reshape(-1), axis=0)
    return mae

def calculate_rmse(preds, targets):
    # 计算预测框与真实框之间的平方误差，开方后再取平均得到RMSE
    mse = np.mean((preds - targets) ** 2, axis=(1, 2))
    rmse = np.sqrt(mse)
    return np.mean(rmse)

# 计算MAE
mae = calculate_mae(predictions, ground_truths)

# 计算RMSE
rmse = calculate_rmse(predictions, ground_truths)

print(f"Mean Absolute Error (MAE): {mae}")
print(f"Root Mean Squared Error (RMSE): {rmse}")

注意：上述代码并未考虑YOLOv5中的具体实现细节，如对边界框坐标的处理（可能涉及到IOU计算或者中心点、宽高差的转换）。你需要根据实际项目中的数据格式和需求调整计算方法。另外，在YOLOv5中，评估通常是针对整个检测任务（包括分类和定位），而非仅针对边界框坐标。如果需要完整评估YOLOv5的性能，应该使用COCO API或其他相关库提供的工具来获取更全面的指标。