深度学习：IoU、Accuracy、Precision、Recall区别

已于 2022-07-26 14:25:58 修改
阅读量1w 收藏 53
点赞数 9
分类专栏： 深度学习 文章标签： 评价神经网络的指标 准确率和交并比的区别 精确率和召回率的区别
于 2018-08-20 22:15:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Cxiazaiyu/article/details/81878556
版权
本文详细介绍了IoU、Accuracy、Precision和Recall等评价指标在深度学习，特别是目标检测任务中的应用。 IoU是交并比，用于衡量预测框与真实框的重合程度。Accuracy在二分类问题中有用，但在不平衡数据集上可能失真。Precision和Recall分别表示预测正例中正确比例和实际正例被检测出的比例，常用于衡量模型查准率和查全率。F1 Score是Precision和Recall的调和平均，用于找到两者之间的最佳平衡。AP（Average Precision）则通过不同Recall下的Precision平均值来评估模型的性能，COCO AP提供了更全面的IoU阈值评估。mAP（mean Average Precision）则是所有类别的AP平均值，用于衡量多类别检测任务的整体效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

tp（true positive）：正检

fp(false positive）：误检，fase detection

fn（false negative）：漏检，miss detection

  • IoU交并比

IoU=\frac{tp}{tp+fp+fn}

  • Accuracy准确率

Accuracy=\frac{tp+tn}{tp+tn+fp+fn}

1. 有些问题是容易计算tn的，如图像中是否有汽车的二分类问题。但是，对于一个有很多negative样本的数据集，一般模型都能给出很大的tn，使得Accuracy值很高，通过Accuracy评价模型使得差异度不明显，所以需要去除tn的影响，

最低0.47元/天 解锁文章
机器学习中的模型评估：深度学习任务的性能评估
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
03-23 1118
在机器学习项目中，深度学习任务是常见的应用场景之一，涉及使用多层神经网络进行复杂的数据建模。深度学习在许多领域都有广泛的应用，如图像识别、自然语言处理、语音识别等。本文将从深度学习任务的性能评估指标出发，介绍常用的评估方法，并通过一个完整的代码示例带你入门，同时探讨其应用场景和注意事项。深度学习任务的性能评估是机器学习项目中的一个重要环节，通过合理的性能评估指标，可以全面了解深度学习模型的效果，选择最适合任务的模型。
机器学习评价标准，precision与recall通俗理解
chang_rj的博客
07-05 5877
recall与precision区别： （1）recall，召回率又名查全率，与漏报率有关，（漏报率，FN，即错误的预测为负样本，换句话说，将实际为正的样本预测为负），详情参照混淆矩阵，如下。     预测为正样本（positive，P） 预测为负样本（negative，N） 实际为正样本 TP FN 实际为负样本 FP TN 其中，T指预测正...
深度学习模型评估指标（区分二元分类和多分类 含YOLO源码分析）：accuracy、precision、recall
北溟客的博客
06-25 3361
深度学习模型评估指标：accuracy、precision、recall1. 准确率（accuracy）、精确率（precision）、召回率（recall）1.1基本概念1.2二元分类模型的定义1.3多分类模型的定义1.4举例说明1.5 YOLOv3中recall的计算2. 关于精确率和召回率的关系 1. 准确率（accuracy）、精确率（precision）、召回率（recall） 1.1基本概念 准确率（accuracy）、精确率（precision）、召回率（recall）三个指标的定义是有一定条
【深度学习】分类指标accuracy，recall，precision等的区别
热门推荐
z小白的博客
10-26 6万+
在机器学习里面做一些分类任务时，经常会使用到一些评价指标，下面就一些常用的指标进行详细的说明。 上图表示为一个二分类的混淆矩阵（多分类同理，只需要把不属于当前类的其他类都考虑为负例），表格中的四个参数说明： True Positive（TP）：预测为正例，实际为正例 False Positive（FP）：预测为正例，实际为负例 True Negative（TN）：预测为负例，实际为负例...
Precision和Recall​
weixin_42035080的博客
09-22 3511
2021-09-22 Precision和Recall 首先，Precision和Recall都是评估正类的，分子都是TP。 Precision: 精确率，也称“查准率”，是基于我们的预测结果的，在我们的预测结果中，与标签相比，正确预测的记为TP，错误预测的记为FP。 Precison = TP / (TP + FP) Recall:召回率，也称“查准率”，是基于原样本中所有正类的，在我们的预测结果中，与标签相比，正确预测的记为TP，没预测出的记为FN（也称漏检，即把原样本中的正类预测为负类）。R.
深度学习笔记——秒懂评价指标precision和recall（附例子）
weixin_43182899的博客
12-07 1811
Precision：查准率，识别正确的/所有识别出来的。 这个指标反应了你的可信度，比如让儿子把药拿过来，他一定不能错，他可以不把家里全部的药都拿过来，但是他要保证拿过来必须是降压药。也就是拿药的precision一定要是100%。（见eg5） Recall：查全率，有多少东西被找到了。识别正确的/未识别的+已识别的。 Eg1:总共有100张测试图片，有80张图片上标了路。20张图片里没有路。A模...
深度学习分类常见评价指标：accuracy recall precision specificity sensitivity AUC ROC 曲线
qq_38895920的博客
05-22 4344
深度学习分类时常用到以下指标，这里做一个总结： 首先介绍一些指标的定义： (1)若一个实例是正类，但是被预测成为正类，即为真正类(True Postive TP) (2)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN) (3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP) (4)若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN） 这四个部分可以构成一个混淆矩阵： ...
深度学习网络评价指标——IoU、Precision、Recall，mIoU、mPA、Accuracy和f-score的定义，区别和联系
weixin_44097477的博客
03-30 1万+
深度学习网络评价指标——IoU、Precision、Recall，mIoU、mPA、Accuracy和f-score定义，区别和联系
模型评估方法（Accuracy，Precision，Recall，F1 Score，ROC，AUC，IoU）
qingmao123的博客
09-17 2158
今晚花椒直播的现场笔试写这个，在其他的线上鄙视中也考得比较多，有时候面试也会遇到。 一、混淆矩阵 二、Accuracy Accuracy=预测正确的数量/总数量=(TP+TN)/(TP+FP+TN+FN)Accuracy=预测正确的数量/总数量=(TP+TN)/(TP+FP+TN+FN)Accuracy=预测正确的数量/总数量=(TP+TN)/(TP+FP+TN+FN) 三、Precision（...
机器学习系列(二)——评价指标Precision和Recall
CX330lxy的博客
11-04 5624
机器学习基础，评价指标
深度学习中accuracy,precision,recall,F1 score等指标的区别与联系
banxia1995的博客
03-07 9883
True Positive（TP）：预测为正例，实际为正例 False Positive（FP）：预测为正例，实际为负例 True Negative（TN）：预测为负例，实际为负例 False Negative（FN）：预测为正例，实际为负例 accuracy和precision区别： accuracy指的是正确预测的样本数占总预测样本数的比值，它不考虑预测的样本是正例还是负例...
【详细解释深度学习图像分类&检测评价指标】准确率Accuracy、精确率Precision、召回率Recall、mAP等(一文搞懂，建议收藏)
cqy阳的博客
01-24 1万+
【详细解释深度学习图像分类&检测评价指标】准确率Accuracy、精确率Precision、召回率Recall、mAP等(一文搞懂，建议收藏)
【深度学习每日小知识】Precision 精度
欢迎来到最优秀的博客
01-31 952
精度是机器学习中的一个关键参数，因为它量化了分类器识别成功样本的能力。它有时与另一个称为召回的统计数据相结合，该统计数据被定义为真正的阳性预测与所有实际上为阳性的案例的比例。精确度和召回率是权衡取舍;例如，分类器的召回率可能会随着精度的提高而下降，反之亦然。阈值参数用于确定预测被视为准确所需的最小概率，可用于管理这种权衡。总体而言，精确度是 ML 中分类器或预测器准确性的度量，定义为真阳性预测数与正预测总数的比率。它是一个重要的指标，通常与召回率结合使用，以评估分类器的性能。
【深度学习笔记】Precision、Recall
李响
12-19 875
Precision precision=TP/(TP+FP) 真阳对预测为阳的占比。 Recall recall=TP/(TP+FN) 真阳对真实为阳的占比。
目标检测中的mAP计算（包括代码）
coordinate的博客
04-10 2万+
0x00 基本概念 在说明mAP这个概念之前，我们先要说一下两个新的概念：precision和recall。这是论文中经常提及的两个概念。我们举这样的一个例子： 我们现在有一个检测狗的任务，但是这个任务数据中包含了猫。那么我们这个时候就有一个问题，我们怎么描述一个物体被检测出来呢？为此，我们引入了IOU这个概念 目标检测中的IOU计算问题 我们规定IOU > 0.5表示物体被检测出来...
【深度学习】：【结果衡量指标】召回率（Recall），精确率（Precision），F度量（F-measure），Map，ROC，AUC
yuanCruise
05-04 1万+
精确率（Precision），又称为“查准率”。 召回率（Recall），又称为“查全率”。 召回率和精确率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中召回率是是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。精确率是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。如以下公式所示： 召回率(Re...
深度学习评价指标：Precision, Recall, F1-score, mIOU, 和 mDice
最新发布
weixin_45596561的博客
06-30 3338
精确率（Precision）：衡量模型预测的正类样本中实际为正类的比例。召回率（Recall）：衡量模型对实际正类样本的识别能力。F1-score：精确率和召回率的调和平均数。平均交并比（mIOU）：衡量模型在语义分割任务中的整体性能。平均Dice系数（mDice）：衡量模型在分割任务中的效果，尤其对小目标更加敏感。通过理解和应用这些评价指标，可以更全面地评估模型的性能，从而更好地改进模型。如果有任何问题或需要进一步的解释，欢迎在评论区留言。
一分钟看懂深度学习中的准确率（Accuracy）、精度（Precision）、召回率（Recall）和 mAP
程序猿视角
11-23 4万+
1. 真假阳性阴性 我们查体的时候，经常会听说检测结果呈”真阳性“、”假阴性“等说法。 其中”真“、"假"说的是检查结果的对错。”真“意味着检测结果是正确的，"假"意味着检测结果是错误的。 ”阳性“、"阴性"说的是这次的检查结果。阳性，意味检测出了预定的目标。阴性，意味着没查出预定的目标。 一共四种组合： 检测结果 英文术语 含义 真阳性 true positive 正确地检测到阳性结果：即检测结果正确，并且结果呈现阳性 假阳性 false positive 错误地检测到阳性结果：即
刷网课会被检测出来吗_目标检测中的Precision和Recall
weixin_35914724的博客
12-21 3600
目标检测中常用的性能评价指标有Precision，Recall和F1 score。当面对不同的任务时，该如何提高recall和precision？思考：对于Precision值，其代表的是你所预测出来准确结果占所有预测结果的准确性，对于Recall值，其代表的是你所预测出来准确结果占总体正样本的准确性。这样说有点难理解，举个例子吧。现在你手上有10个鸡蛋，里面有6个是好的，另外4个是坏的，你训练出...
深度学习评价指标解析：准确率、精确率、召回率与AP、mAP
"本文主要介绍了深度学习中常用的评价指标，包括准确率(Accuracy)、混淆矩阵(Confusion Matrix)、精确率(Precision)、召回率(Recall)、平均正确率(AP)、meanAveragePrecision(mAP)以及交除并(IoU)和ROC+AUC。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

yuyuelongfly

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值