目标检测的评价指标（TP、TN、FP、FN、Precision、Recall、IoU、mIoU、AP、mAP）

最新推荐文章于 2024-06-12 19:47:37 发布
最新推荐文章于 2024-06-12 19:47:37 发布
阅读量2.2w 收藏 147
点赞数 17
分类专栏： 目标检测 评价指标 mAP 文章标签： 目标检测 评价指标 mIoU mAP
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/XinyanH/article/details/102733730
版权

1. TP TN FP FN

                                                              GroundTruth                 预测结果

TP（True Positives）：   真的正样本  = 【正样本  被正确分为  正样本】

TN（True Negatives）： 真的负样本  = 【负样本  被正确分为  负样本】

FP（False Positives）：  假的正样本  = 【负样本  被错误分为  正样本】

FN（False Negatives）：假的负样本  = 【正样本  被错误分为  负样本】

2. Precision（精度）和 Recall（召回率）

Precision=\frac{TP}{TP+FP}             即  预测正确的部分  占     预测结果     的比例

Recall=\frac{TP}{TP+FN}                   即  预测正确的部分  占  GroundTruth  的比例

3. IoU（Intersection over Union）

IoU=\frac{TP}{TP+FP+FN}

4. AP

(1) 找出  预测结果  中  TP（正确的正样本）  和  FP（误分为正样本）  的检测框

     设置IoU的阈值，如IoU=0.5

     IoU值大于0.5  预测结果  正确；否则， 预测结果  错误，如下图所示

                              

IoU=\frac{TP}{TP+FP+FN}> 0.5                     IoU=\frac{TP}{TP+FP+FN}< 0.5

            预测结果：TP                                                    预测结果：FP

注意：这里的TP、FP与图示中的TP、FP在理解上略有不同

(2) 计算  不同置信度阈值  的  Precision、Recall

a. 设置不同的置信度阈值，会得到不同数量的检测框：

        阈值高，得到检测框数量少；

        阈值低，得到检测框数量多。

b. 对于  步骤a  中不同的置信度阈值得到  检测框(数量)=TP(数量)+FP(数量)

c. 计算Precision，按照上面步骤(1)中使用IoU计算TP、FP的方法，将步骤b中的检测框(数量)划分为TP(数量)、FP(数量)

        Precision=\frac{TP}{TP+FP}

d. 计算Recall，由于TP+FN是GroundTruth(即已知的检测框的数量)，则可以得到：

       Recall=\frac{TP}{TP+FN}

e. 计算AP，不同置信度阈值会得到多组（Precision，Recall）

    假设我们得到了三组（Precision，Recall）：

  （0.9, 0.2），（0.5, 0.2），（0.7, 0.6），如下图中所示

AP=上图中所围成的面积，即  AP = 0.9 x 0.2 + 0.7 x 0.4 = 0.46

5. mIoU、mAP

IoU和AP是对一个类别所计算的结果，mIoU和mAP是所有类结果的平均值。

 

 

参考博客：

理解目标检测当中的mAP

https://blog.csdn.net/hsqyc/article/details/81702437

 

 

yudiane
关注
  • 17
    点赞
  • 踩
  • 147
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
专栏目录
万字长文精解目标检测中的TP、FP、FN、TN、Precision、Recall 、 F1 Score、AP、mAP与AR 。附代码实现。
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-16 4588
mAP（Mean Average Precision）是用于评估对象检测和信息检索系统性能的重要指标。它综合考虑了检测结果的精确度（Precision）和召回率（Recall），提供了一个整体的性能评价。你是否见过下面的表格？这是COCO版本的mAP（即平均精度，他们简称之为AP）。但这个指标到底代表什么呢？这些符号又都代表什么含义呢？在本文中，我们将详细讲解所有必要的理论知识，不仅帮助你解读表格中的数据，还能让你理解采用这种复杂指标的必要性。
计算目标检测二分类结果的Precision,Recall,TP,FP与FN(python)
11-04
输入标注txt文件与预测txt文件路径，计算P、R、TP、FP与FN。txt格式为class、归一化后的矩形框中点x y w h，可调整IOU阈值
简单理解精确率(Precision)，召回率(Recall)，准确率(Accuracy)，TP，TN，FP，FN
xiongxyowo的博客
07-29 1633
准确率常被用于衡量一个机器学习模型的综合性能。不过，由于实际应用中阴阳样本的比例大概率是不均衡的，阳性样本一般会很少，模型只要简单的将所有样本预测为阴性就可以获得一个很高的准确率。为了解决这一问题，才出现了更侧重于阳性本身的精确率，召回率这两个指标。召回率更侧重于衡量实际的阳性样本是否被遗漏(不能漏杀)。容易发现，假阴性FN越高，召回率就越低。精确率更侧重于衡量模型的阳性预测是否可靠(不能错杀)。容易发现，假阳性FP越高，精确率就越低。这四个词语，左半边表示的是。模型所给出的所有阳性预测。...
目标检测技术学习
最新发布
石头记
06-12 1129
什么是目标检测？最近还碰到一个朋友做的项目，是无人机目标检测的，很有意思（据说还是军事用途），主要是协助雷达能快速的识别出无人机，无人机在可见视野中其实是比较小的，而且数据源是多桢实时信号，要很快的准确的识别出来，实际上有一定难度的。我问了对方，对方使用的方案是YoLoV8，硬件有用到RK的芯片，也有GPU的NVIDA的芯片。 然后公司接了一个工业相机的目标识别项目，涉及到二维码检测的，需要部署到FPGA上，但是，一切还是从应用层的AI模型开始。所以，详细了解了一些知识。具体我们还是从头说起：
目标检测——map概念、Miou计算、IoU汇总IoU、GIoU、DIoU、CIoU、SIoU、EIoU、Wiou、Focal、alpha
Chaoy6565的博客
01-12 2306
map是Mean Average Precision 的缩写（均值平均精度）介绍map之前，先了解以下概念TP：True Positive，分类器预测结果为正样本，实际也为正样本，即正样本被正确识别的数量。FP：False Positive，分类器预测结果为正样本，实际为负样本，即误报的负样本数量。TN：True Negative，分类器预测结果为负样本，实际为负样本，即负样本被正确识别的数量。FN：False Negative，分类器预测结果为负样本，实际为正样本，即漏报的正样本数量。TP+FN。
计算目标检测IoU、Precision、Recall
05-15
计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、...
mAP-master.zip_mapmaster npc大小_目标检测_目标检测方法的MAp测试_目标检测评价_评估
09-22
**目标检测评价**不仅包含mAP，还包括其他指标，如Precision-Recall曲线、F1分数、漏检率（False Negative Rate）、误报率（False Positive Rate）等。这些指标可以帮助我们全面了解算法的性能，并为算法优化提供...
AI系统量化评价-模型评估方法、网络评价指标
02-03
3. **目标检测评估**：目标检测任务的评估通常涉及边界框的重叠度计算，如IoU（Intersection over Union），以及平均精度mAP（Mean Average Precision）等。 4. **目标跟踪评估**：目标跟踪的评价指标包括中心位置...
100.目标检测的性能评价指标1
08-03
【标签】：“目标检测，mAP，平均精度均值，评价指标，FPS” 【正文】： 目标检测是计算机视觉领域中的关键任务，它的目的是在图像中定位并识别不同的对象。为了评估目标检测算法的性能，通常会使用一系列的评价...
实例分割中mAP与mIOU有什么不同
weixin_47057808的博客
07-31 803
实例分割中mAP与mIOU有什么不同
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 9765
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
【模式识别9】python计算目标检测IoU、TP、FP、FN、Precision、Recall指标
weixin_43387635的博客
05-15 1847
本文介绍了用python计算目标检测中的IoU以及TP、FP、FN、precision、recall等指标的方法和原理。 IoU是交并比，表示预测框和真实框之间的重叠程度，用交集面积除以并集面积得到。 TP、TN、FP、FN分别表示真正例、真负例、假正例和假负例，用于评估分类器的正确性。 Precision是预测为正例的样本中的准确率，Recall是预测正确的正例占所有正例的比例，二者需要综合考虑。 AP是Precision-Recall曲线下方的面积，表示分类器在某个类别上的性能，mAP是所有类别的AP值
TP、TN、FP、FN超级详细解析
热门推荐
奋斗の博客
11-21 9万+
以西瓜数据集为例，我们来详细解释一下什么是TP、TN、FP以及FN。 一、基础概念 TP：被模型预测为正类的正样本 TN：被模型预测为负类的负样本 FP：被模型预测为正类的负样本 FN：被模型预测为负类的正样本 二、通俗理解（以西瓜数据集为例） 以西瓜数据集为例，我们来通俗理解一下什么是TP、TN、FP、FN。 TP：被模型预测为好瓜的好瓜（是真正的好瓜，而且也被模型预测为好瓜） TN：被模型预测为坏瓜的坏瓜（是真正的坏瓜，而且也被模型预测为坏瓜） FP：被模型预测为好瓜的坏瓜（瓜是真正的坏瓜，但是
一张图理解什么是TP、FN、FP、TN
zsh_edison的博客
05-23 4万+
　 　 预测 　 　 P N 实际 P TP FN N FP TN
【目标检测必学】快速理解IOU、Recall、Precision、AP、mAP检测指标
qq_45193872的博客
03-03 6599
学习目标： 总结了几篇个人认为深入浅出的目标检测性能指标相关博客，希望通过这次笔记能帮助到还不理解的同学！ **理解目标检测中常用的性能检测指标mAP、IOU、Recall、Precision,**通过约30分钟的阅读深刻理解并掌握这几个常见指标的运用。
目标检测算法的评估指标：mAP和IOU，python
weixin_43815222的博客
01-13 484
目标检测算法的评估指标：mAP和IOU，python
目标检测必学】快速理解IOU、Recall、Precision、AP、mAP检测指标
05-29
好的，我会为你解释目标检测中常用的指标。 1. IOU（Intersection over Union）：交并比，也称为重叠度，是目标检测中最基本的评估指标。它表示检测出的目标框与真实目标框之间的重叠程度，可以用来判断检测结果的准确性。IOU值越高，表示检测结果与真实目标越接近。 2. Recall（召回率）：指检测算法能够找出所有真实目标的能力。它是指检测器正确检测出的目标数与真实目标数之比。召回率越高，表示检测算法能够找到更多的真实目标。 3. Precision（精确率）：指检测算法检测出的目标中真实目标的比例。它是指检测器正确检测出的目标数与总检测出的目标数之比。精确率越高，表示检测算法能够准确地找到更多的真实目标。 4. AP（Average Precision）：平均精度，是目标检测中常用的评估指标之一。它是指在不同召回率下的平均精确率值。AP值越高，表示检测算法在不同召回率下的表现越好。 5. mAP（mean Average Precision）：平均精度均值，是指所有类别AP值的平均值。mAP值越高，表示检测算法在所有类别上的表现越好。 以上就是目标检测中常用的指标，希望能对你有所帮助。
评论 7
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
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