Precision-Recall Curve für Object Detection
Interaktive Visualisierung der Precision-Recall Metrik bei YOLO Object Detection - Verstehe den Trade-off zwischen Precision und Recall
Steuerung
Metriken beim aktuellen Threshold
| Threshold | Precision | Recall | F1-Score | TP | FP | FN |
|---|
📊 Precision-Recall Kurve bei Object Detection
Precision (Genauigkeit): Der Anteil der korrekten Detektionen unter allen vorhergesagten Objekten. Hohe Precision bedeutet wenige False Positives.
\[ \text{Precision} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Positives}} \]
Recall (Trefferquote): Der Anteil der gefundenen Objekte unter allen tatsächlich vorhandenen Objekten. Hoher Recall bedeutet wenige False Negatives.
\[ \text{Recall} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Negatives}} \]
Average Precision (AP): Die Fläche unter der Precision-Recall Kurve. Ein höherer AP-Wert (max. 1.0) bedeutet bessere Performance über alle Threshold-Werte hinweg.
Trade-off: Bei niedrigem Threshold werden mehr Objekte erkannt (hoher Recall), aber auch mehr Fehldetektionen (niedrige Precision). Bei hohem Threshold ist die Precision hoch, aber viele Objekte werden nicht erkannt (niedriger Recall).
Interaktion: Bewege den Threshold-Slider oder klicke auf Punkte in der Kurve, um zu sehen, wie sich die Metriken und Detektionen ändern. Grüne Boxen = True Positives, Rote Boxen = False Positives, Gelbe Boxen = False Negatives (nicht erkannt).
🎯 YOLO Object Detection - Wie funktioniert es?
YOLO (You Only Look Once): Ein Echtzeit-Objekterkennungssystem, das ein Bild in einem einzigen Durchlauf durch ein neuronales Netz analysiert. Es teilt das Bild in ein Gitter und sagt für jede Gitterzelle Bounding Boxes und Klassenwahrscheinlichkeiten vorher.
Confidence Score: Jede vorhergesagte Bounding Box hat einen Confidence Score zwischen 0 und 1, der angibt, wie sicher das Modell ist, dass ein Objekt erkannt wurde. Der Confidence Score berücksichtigt sowohl die Wahrscheinlichkeit, dass ein Objekt vorhanden ist, als auch die Genauigkeit der Box (IoU).
IoU (Intersection over Union): Eine Metrik, die misst, wie gut eine vorhergesagte Box mit der Ground Truth übereinstimmt. Ein IoU > 0.5 wird typischerweise als True Positive gewertet.
Non-Maximum Suppression (NMS): Da YOLO mehrere Boxen für dasselbe Objekt vorhersagen kann, werden überlappende Boxen mit niedrigeren Confidence Scores unterdrückt. Dies ist bereits in dieser Visualisierung angewendet.