オブジェクト検出モデルは、検出されたオブジェクトが正しく分類されている可能性を識別するために、自信のスコアを割り当てます。 これらのスコアを正確に計算することは、モデルのパフォーマンスを改善し、検出結果に基づいて情報に基づいた決定を行うために不可欠です。 このガイドは、オブジェクト検出タスクの自信スコアを計算するための明確でステップバイステップのプロセスを提供します。

自信のスコアを理解する

機密スコアは、通常、検出の確実性を示す0から1の範囲の範囲で数値値です。 より高いスコアは、検出されたオブジェクトが正しく識別されるというより大きな自信を示唆しています。 これらのスコアは、検出プロセス中にモデルによって生成され、検出をフィルタリングおよび優先順位付けするために使用されます。

ステップ1:モデル出力抽出

オブジェクト検出モデルから出力を抽出することで始まります。この出力は通常、各検出の境界ボックス座標、クラス確率、および各々の自信スコアを含みます。データがさらなる処理のために組織されていることを確認してください。

ステップ2:自信の境界を適用

自信のしきい値を設定して、低自信の検出をフィルタアウトします。例えば、0.5を超えるスコアでのみ検出が有効と見なされます。このしきい値のバランスを調整すると、真の正当性を欠落させ、偽の正当を含む。

ステップ3:最終機密スコアの計算

各検出の最終自信点は、クラス確率と異物スコアを組み合わせて計算することができます。共通のアプローチは、これらの2つの値を乗算することです。

最終コンピデンススコア = オブジェクトネススコア × クラス確率

追加のヒント

  • 重複検出を除去するために非最大抑制を使用して下さい。
  • 検証データを使用して自信スコアをキャリブレーションし、精度を高めます。
  • 検出品質を把握するために自信のスコアを視覚化します。