در مورد YOLO و معیارهایی مثل دقت (accuracy)، باید توجه داشت که YOLO یک الگوریتم تشخیص شیء (object detection) است و نه دستهبندی تصویر (image classification). در دستهبندی تصویر، ما فقط یک برچسب برای کل تصویر داریم و میتوانیم از معیارهایی مثل دقت استفاده کنیم. اما در تشخیص شیء، ما باید مکان دقیق شیء را نیز پیشبینی کنیم، بنابراین نیاز به معیارهایی داریم که هم میزان درستی برچسبها و هم دقت مکانیابی شیء را ارزیابی کنند.
به همین دلیل، معمولاً از معیار Intersection over Union (IoU) و Precision-Recall (PR) Curve استفاده میشود. IoU میزان همپوشانی بین مربع پیشبینی شده و مربع حقیقی را اندازهگیری میکند. PR Curve نشان میدهد که مدل چقدر خوب میتواند شیء را در میان تمام پیشبینیها پیدا کند.
اگرچه میتوانید معیار دقت را به عنوان یک معیار اضافی استفاده کنید، اما این معیار معمولاً برای تشخیص شیء به اندازهٔ دیگر معیارها مفید نیست. این بدان دلیل است که دقت تنها برچسبها را بررسی میکند و از جزئیات مکانی صرفنظر میکند. در نتیجه، ممکن است یک مدل با دقت بالا داشته باشید که باز هم شیء را در مکان اشتباهی پیشبینی میکند.