A avaliação da acurácia e do custo computacional orienta o desenvolvimento de detectores de objetos. Ao contrário da classificação de imagens, em que se verifica apenas se a categoria predita coincide com a real, a detecção exige avaliar conjuntamente a posição espacial das caixas delimitadoras (bounding boxes) e a categoria de cada alvo (PADILLA; NETTO; SILVA, 2020). Em modelos YOLO, essas métricas guiam o ajuste de hiperparâmetros e a escolha do modelo para uso em campo, seja em servidores ou em dispositivos de borda.
1. MATRIZ DE CONFUSÃO E DIAGNÓSTICO DE ERROS
A matriz de confusão cruza, para cada categoria, a classe real anotada com a classe predita pelo modelo. Dela derivam-se três quantidades básicas:
Verdadeiro Positivo (VP/TP): o objeto existe e foi detectado e classificado corretamente;
Falso Positivo (FP): o modelo detectou um objeto que não existe (confundiu o fundo com um alvo) ou atribuiu a classe errada a ele; Falso Negativo (FN): o objeto existe na imagem, mas o modelo não o detectou.
Em detecção de objetos, a matriz produzida pelo framework Ultralytics possui uma linha e uma coluna adicionais denominadas background (fundo), que registram, respectivamente, os objetos reais que o modelo deixou de detectar (FN) e as detecções feitas sobre regiões que não continham nenhum objeto (FP).
Avenida República do Líbano, 251 - Pina, Recife - PE - CEP: 51110-160