2. 교통신호 표지판 분류 프로젝트

 

 

728x90

 

 

 

 

✔️ultralytics

• YOLOv5 및 YOLOv8: 객체 탐지 모델을 손쉽게 불러와 사용할 수 있다.
• 사전 학습된 모델: COCO 같은 데이터셋으로 사전 학습된 모델을 바로 사용할 수 있어, 커스텀 학습 없이도 객체 탐지나 분류 작업을 할 수 있다.
• 모델 학습 및 추론 기능: 사용자 정의 데이터셋을 이용해 객체 탐지 모델을 쉽게 학습시키거나, 학습된 모델로 추론할 수 있다. 

 

• metrics.box.map: 모델의 mAP 지표로 IoU 기준이 50%에서 95% 까지의 다양한 임계값을 사용하여 평균값을 계산한 것이다. 이 지표는 전체적으로 얼마나 잘 탐지했는지를 나타내는 중요한 성능 지표이다.
• metrics.box.map50: IoU 기준이 50% 인 경우의 mAP이다. 이 값은 좀 더 느슨한 기준으로 모델의 성능을 평가하는데 사용된다.

✔️ mAP(mean Average Precision)

• 모델의 탐지 성능을 측정하는 지표로 AP는 각 클래스별 precision-recall curve의 면적을 의미한다.
  • mAP50: IoU가 0.5 이상인 경우의 평균 정밀도를 측정한다. 이는 특정 임계값에서 모델의 성능을 평가한다.
  • mAP50-95: IoU가 0.5에서 0.95까지 10% 간격으로 변화하는 여러 임계값을 사용하여 평균 정밀도를 측정한다. 이는 더 엄격한 기준으로 모델의 탐지 성능을 평가한다.