目标检测中精确率，召回率，准确率的意思

已于 2022-10-12 16:31:28 修改
阅读量7.3k 收藏 46
点赞数 6
分类专栏： 概念 文章标签： 目标检测 机器学习 算法
于 2020-09-01 10:53:14 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/Yemiekai/article/details/108328024
版权

先看几个缩写：

下面两行都是被你预测为正类的数据：
TP（True Positive）：正确的正类。（实际样本是正样本，你正确地判断成了正样本）
FP（False Positive）： 错误的正类。（实际样本是负样本，你错误地把它当成了正样本）


下面两行都是被你预测成了负类的数据：
TN（True Negative）：正确的负类，把负样本预测为负。（你预测对了）
FN（False Negative）：错误的负类，把正样本预测为负。（你预测错了）


所以 Positive / Negative 是你预测的结果，你把那些样本预测成了 正类 / 负类 。
True / Flase 表示你的结果正确与否。不管你预测成正类或负类，True就是你预测对了，Flase就是你预测错了。

在这里插入图片描述

图1

结合上面的解释和图示就很好理解了，在图中：
左边全是正类（绿色圈圈），个数是42个。
右边全是负类（红色圈圈），个数也是42个。

图中共有4个区域：

  • 在正类中：
  1. 预测对了：被预测为正类的（TP，True Positive）的个数是32个。
  2. 预测错了：被预测为负类的（FN，False Negative）的个数是10个。
  • 在负类中：
  1. 预测错了：被预测为正类的（FP，Flase Positive）的个数是14个。
  2. 预测对了：被预测为负类的（TN，True Negative）的个数是28个。

下面结合图示进行分析：

精确率（Precision）

P = T P T P + F P P = {\frac {TP} {TP+FP}} P=TP+FPTP​

  所以精确率就是，在所有被你预测为正类的数据中，预测对的（真正的正类）占多少。
  按照图1的例子，这里精确率就是：
P = T P T P + F P = 32 32 + 14 = 32 46 = 69.565 % P = {\frac {TP} {TP+FP}}={\frac {32} {32+14}}={\frac {32} {46}}=69.565\% P=TP+FPTP​=32+1432​=4632​=69.565%

  很遗憾，精确率不是很高，看着分母你会想，要是 FP（Flase Positive） 再少一点就好了。然而，就算 Flase Positive 为 0 也不够，虽然此时 P = 100 % P=100\% P=100% ，但是在正类里面你还没有全部预测对，还漏了10个正类。

在这里插入图片描述

图2 精确率示意图


召回率（Recall）

R = T P T P + F N R = {\frac {TP} {TP+FN}} R=TP+FNTP​

  所以召回率就是，在所有真正的正类中，你成功预测到的占了多少。
  按照图1的示例，这里召回率是：

R = T P T P + F N = 32 32 + 10 = 32 42 = 76.19 % R = {\frac {TP} {TP+FN}}={\frac {32} {32+10}}={\frac {32} {42}}=76.19\% R=TP+FNTP​=32+1032​=4232​=76.19%

  怎样提高召回率？请看看公式或者看图。

在这里插入图片描述

图3 召回率示意图


准确率（Accuracy）

a c c = T P + T N T P + F P + T N + F N acc = {\frac {TP+TN} {TP+FP+TN+FN}} acc=TP+FP+TN+FNTP+TN​
  所以准确率就是，在所有样本中，你预测对的占多少。
  哪些是预测对的？正类里面你预测到了几个正类 + 负类里面你预测到了几个负类。
  按照图1的示例，这里准确率是：

a c c = T P + T N T P + F P + T N + F N = 32 + 28 32 + 10 + 28 + 14 = 32 + 28 84 = 71.43 % acc = {\frac {TP+TN} {TP+FP+TN+FN}}={\frac {32+28} {32+10+28+14}}={\frac {32+28} {84}}=71.43\% acc=TP+FP+TN+FNTP+TN​=32+10+28+1432+28​=8432+28​=71.43%

在这里插入图片描述


目标检测中的准确率：
由于目标检测中没有 TN（因为预测框太多，低于得分的都直接去掉了，没有加入评价指标中），所以这里令 TN 为 0。

所以
a c c = T P + T N T P + F P + T N + F N = T P T P + F P + F N \begin{aligned} acc &= {\frac {TP+TN} {TP+FP+TN+FN}} \\[1em] & = \dfrac{TP}{TP+FP+FN} \end{aligned} acc​=TP+FP+TN+FNTP+TN​=TP+FP+FNTP​​

T P + F N TP + FN TP+FN 就是所有的真实目标，设为单位 1 1 1；那么 T P = 1 ∗ R TP=1 * R TP=1∗R，就是召回。

F P = T P P − T P = R P − R FP = \dfrac{TP}{P} - TP = \dfrac{R}{P} - R FP=PTP​−TP=PR​−R。

所以
a c c = R 1 + F P = R 1 + R P − R = R P P + R P − P R P = P R P + R − P R \begin{aligned} acc &= \frac {R} {1+ FP} \\[2em] & = \dfrac{R}{1+\dfrac{R}{P} - R} \\[2em] & = \dfrac{R}{\dfrac{P}{P} + \dfrac{R}{P} - \dfrac{PR}{P}} \\[2em] & = \dfrac{PR}{ P + R - PR} \end{aligned} acc​=1+FPR​=1+PR​−RR​=PP​+PR​−PPR​R​=P+R−PRPR​​

准确率，精准率，召回率，真正率，假正率，ROC/AUC
chase
08-24 4万+
准确率，精准率，召回率，真正率，假正率，ROC/AUC
Yolo目标检测中的准确率、精确率、召回率、F1-score 值
LYH8543的博客
02-13 741
Yolo目标检测中的准确率、精确率、召回率、F1-score 值
信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC
热门推荐
架构和代码
07-06 5万+
在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。准确率、召回率、F1信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式:             召回率(Recall)      =  系统检索到的相关文件 /
精确率（Precision）、准确率（Accuracy）和召回率（Recall）详解
Gsen2819的博客
03-24 1655
Accuracy = (90 + 180) / (90 + 180 + 10 + 20) = 270 / 300 = 0.9 或 90%FN (False Negative)：假负例，即实际为正类但被模型错误预测为负类的样本数。FN (False Negative)：假负例，即实际为正类但被模型错误预测为负类的样本数。TP (True Positive)：真正例，即实际为正类且被模型正确预测为正类的样本数。TP (True Positive)：真正例，即实际为正类且被模型正确预测为正类的样本数。
召回率与准确率
zhoubl668的专栏：远帆，梦之帆！
10-26 3434
召回率和准确率是数据挖掘中预测、互联网中的搜索引擎等经常涉及的两个概念和指标。 召回率：Recall，又称“查全率”——还是查全率好记，也更能体现其实质意义。 准确率：Precision，又称“精度”、“正确率”。 以检索为例，可以把搜索情况用下图表示： 相关 不相关 检索到 A B 未检索到
精确率、准确率、召回率
lihe的博客
11-18 1万+
TP: Ture Positive 把正的判断为正的数目 True Positive,判断正确，且判为了正，即正的预测为正的。 FN: False Negative 把正的错判为负的数目 False Negative,判断错误，且判为了负，即把正的判为了负的 FP: False Positive 把负的错判为正的数目 False Positive, 判断错误，且判为了正，即把负的判为了正的 TN: True Negative 把负的判为负的数目 True Negative,判断正确，且判为了负，即把负的判为
精确率与召回率
qq_31139389的博客
08-04 8662
分类问题的评估指标 1.分类评估方法 1.1 精确率与召回率 1.1.1 混淆举证 在分类任务下，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵(适用于多分类) TP：True Positives， 表示实际为正例且被分类器判定为正例的样本数 FP：False Positives， 表示实际为负例且被分类器判定为正例的样本数 FN：False Negatives， 表示实际为正例但被分类器判定为负例的样本数 TN：True
Precision (精确率) 和 Recall (召回率)
weixin_51976215的博客
04-08 1万+
Precision (精确率) 和 Recall (召回率) 是机器学习中的两个重要指标，用于评估分类模型的性能。精确率指预测为正的样本中真正为正的样本占比，召回率指真正为正的样本中被正确地预测为正的样本占比。其中，TP 表示真正为正的样本预测为正，FP 表示真正为负的样本预测为正，FN 表示真正为正的样本预测为负。通常情况下，精确率和召回率是相互矛盾的，提高精确率会降低召回率，反之亦然。
目标检测中召回率和准确率介绍
m0_43400376的博客
04-27 6503
本文节选于《深度学习之pytorch物体检测实战》,供以后复习时查看 目标检测的评价标准 ​    对于一个检测器，我们需要制定一定的规则来评价其好坏，从而选 择需要的检测器。对于图像分类任务来讲，由于其输出是很简单的图像 类别，因此很容易通过判断分类正确的图像数量来进行衡量。     物体检测模型的输出是非结构化的，事先并无法得知输出物体的数量、位置、大小等，因此物体检测的评价算法就稍微复杂一些。对于具 体的某个物体来讲，我们可以从预测
目标检测如何计算召回率_目标检测 — 评价指标
weixin_30771489的博客
01-16 1407
评价指标：准确率 (Accuracy)，混淆矩阵 (Confusion Matrix)，精确率(Precision)，召回率(Recall)，平均正确率(AP)，mean Average Precision(mAP)，交除并(IoU)，ROC + AUC，非极大值抑制(NMS)。1、准确率 (Accuracy)分对的样本数除以所有的样本数 ，即：准确(分类)率 = 正确预测的正反例数 / 总数。准...
如何通俗理解准确率、精确率、召回率、F1score、AUC、ROC
An_oak的博客
08-13 5770
本文我会用最通俗的语言帮助大家快速理解并记住准确率、精确率、召回率、F1score，AUC、ROC以及特异度。这些指标其实乍一看能知道都是什么，但是一用起来记不住定义。
目标检测如何计算召回率_目标检测+准确率、召回率、PR曲线、AP、mAp、mmAp
weixin_42314420的博客
01-16 1651
查准率、查全率、AP、map，参考知乎地址：https://zhuanlan.zhihu.com/p/94597205TP(True Positive)：一个正确的检测，检测的IOU ≥threshold。即预测的边界框(bounding box)中分类正确且边界框坐标正确的数量。在实际预测中，经常会出现多个预测框与同一个gt的IOU都大于阈值，这时通常只将这些预测框中score最大的算作TP，...
机器学习 | 评估原理——准确率、精确率、召回率、F1值
ttrr27的博客
07-30 3506
Hi，大家好，我是半亩花海。接着上次的模型评估与交叉验证继续更新《白话机器学习的数学》这本书的学习笔记，在此分享精确率、召回率、F1值相关评估原理。本章的基于已建立的模型进行评估知识的学习，欢迎大家交流学习！
准确率和召回率(precision&recall)
weixin_33676492的博客
10-25 1451
在机器学习、推荐系统、信息检索、自然语言处理、多媒体视觉等领域，常常会用到准确率(precision)、召回率(recall)、F-measure、F1-score 来评价算法的准确性。 一、准确率和召回率(P&R) 以文本检索为例，先看下图 当中，黑框表示检索域，我们从中检索与目标文本相关性大的项。图中黄色部分(A+B)表示检索域中与目标文本先关性高的项，图...
准确率和召回率
sanjing24的博客
12-02 1128
1. 准确率 = 提取出的正确信息条数 /  提取出的信息条数       2. 召回率 = 提取出的正确信息条数 /  样本中的信息条数     通俗来说,准确率可以叫做查准率，召回率可以叫做查全率。更通俗一点，准确率可以表示为：“你的预测里有多少是对的”，召回率可以表示为：“正例中你的预测占的比例”。 举个例子，桌上共有10本书，有4本书是你想找的，然后你根据某个算法，找到了
准确率与召回率
weixin_42464525的博客
07-30 2431
1、准确率与召回率（Precision & Recall） 准确率和召回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。其中精度是检索出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；召回率是指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。 一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是...
精确率（Precision）、召回率（Recall）和F1值
m0_61972043的博客
10-28 2305
text{F1值} = 2 \times \frac{\text{精确率} \times \text{召回率}}{\text{精确率} + \text{召回率}}\text{精确率} = \frac{\text{真正例（TP）}}{\text{真正例（TP）} + \text{假正例（FP）}}\text{召回率} = \frac{\text{真正例（TP）}}{\text{真正例（TP）} + \text{假负例（FN）}}F1值是精确率和召回率的调和平均数，它综合考虑了精确率和召回率的平衡。
机器学习模型评估的重要指标：精确率、召回率、F1Score
GwentBoy的博客
01-26 2万+
精准率、召回率分类准确度混淆矩阵精准率&召回率为什么精准率召回率优于准确率 分类准确度 在聊精准率、召回率之前，一般我们会看模型预测的准确率，即所有预测正确样本数/样本总数。 但分类准确度不能完全衡量模型好坏。 比如一个癌症预测系统，输入体征信息，判断是否有癌症。如果癌症在人类身上发生的概率为0.1%，那模型只要都判断没有癌症，即可达到99.9%的准确率。 如果去训练机器学习模型，但是最后准确率有99%，但其实这个模型还是失败的，即使这个模型什么都不做，完全输出无癌症，依然能有99.9%的准确率。
目标检测准确率和召回率
最新发布
04-02
<think>好的，我现在需要回答用户关于目标检测中准确率和召回率的问题。首先，我得回忆一下这两个指标的基本定义和计算方法，同时结合用户提供的引用内容来确保准确性。 准确率（Precision）和召回率（Recall）是分类任务中常用的评价指标，但在目标检测中它们的计算可能有所不同。根据引用[4]，准确率指的是分类正确的正样本占分类器判定为正样本的比例，即查准率。而召回率则是实际正类样本中被正确识别的比例，即查全率，如引用[3]所述。 接下来，我需要考虑目标检测中的具体应用。例如，在目标检测中，每个预测框和真实框的交并比（IoU）是关键因素。引用[2]提到，IoU是预测框与真实框的交集与并集的比值，通常用来判断预测是否正确。比如，当IoU超过某个阈值（如0.5）时，才认为预测正确。 用户提供的引用中有关于准确率和召回率的公式。准确率公式是TP/(TP+FP)，召回率是TP/(TP+FN)。这里的TP是正确检测的正样本，FP是错误的正样本检测（误报），FN是漏检的真实样本。 需要详细说明如何计算TP、FP、FN。例如，在目标检测中，每个真实框可能会有多个预测框，这时候如何处理？可能需要使用非极大值抑制（NMS）来消除冗余的预测框，然后通过IoU判断是否为TP或FP。如果某个真实框没有被任何预测框匹配到，则计入FN。 还要注意，不同的IoU阈值会影响结果。例如，较高的IoU阈值会导致更严格的判定，可能降低TP的数量，从而影响准确率和召回率。因此，在实际应用中需要明确阈值的选择。 另外，引用[1]提到准确率（Accuracy）不常用，因为目标检测更关注正样本的识别情况。这可能是因为在目标检测中，负样本（背景）数量远多于正样本，导致准确率指标不够敏感，所以更侧重精确率和召回率。 最后，总结准确率和召回率在目标检测中的计算步骤，并给出具体例子，比如使用IoU阈值0.5的情况。同时，可以提到如何通过调整置信度阈值来平衡这两个指标，以及F1分数作为两者的调和平均。 用户可能还会关心这些指标的实际应用，比如模型优化时如何根据这些指标调整参数，或者如何解释模型的性能。但根据问题，主要需要明确回答定义和计算方法，确保覆盖引用中的关键点，并正确引用来源。</think>### 目标检测中准确率与召回率的定义与计算方式 #### 1. **准确率（Precision）** **定义**：准确率表示分类器判定为正样本的检测结果中，真正属于正样本的比例，也称为**查准率**。 **计算公式**： $$ \text{Precision} = \frac{TP}{TP + FP} $$ - **$TP$（True Positive）**：正确检测到的正样本（预测框与真实框的IoU ≥ 阈值）。 - **$FP$（False Positive）**：误检为正样本的负样本（预测框与真实框的IoU < 阈值，或未匹配到真实框的预测框）[^4]。 #### 2. **召回率（Recall）** **定义**：召回率表示所有实际存在的正样本中，被正确检测到的比例，也称为**查全率**。 **计算公式**： $$ \text{Recall} = \frac{TP}{TP + FN} $$ - **$FN$（False Negative）**：未被检测到的真实正样本（真实框未匹配到任何预测框）[^3]。 --- #### 3. **目标检测中的具体实现** 1. **IoU（交并比）**： 预测框与真实框的交集面积除以并集面积： $$ \text{IoU} = \frac{\text{交集面积}}{\text{并集面积}} $$ 通常设定阈值（如0.5）判断是否为有效检测[^2]。 2. **匹配规则**： - 每个真实框仅与一个预测框匹配（通常选择IoU最大的预测框）。 - 若预测框未匹配到任何真实框，则视为$FP$。 - 未被匹配的真实框视为$FN$。 --- #### 4. **示例说明** 假设检测结果如下： - **真实框**：10个 - **预测框**：12个（其中8个IoU ≥ 0.5，4个IoU < 0.5） - **未匹配的真实框**：2个 计算过程： - $TP = 8$ - $FP = 4$ - $FN = 2$ - **准确率**：$8 / (8+4) = 66.7\%$ - **召回率**：$8 / (8+2) = 80\%$ --- #### 5. **指标间的权衡** - **提高准确率**：需减少$FP$（如提高检测阈值），但可能导致$FN$增加，召回率下降。 - **提高召回率**：需减少$FN$（如降低检测阈值），但可能引入更多$FP$，准确率下降。 - **F1-score**：综合两者的调和平均值： $$ F1 = \frac{2 \cdot \text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}} $$ ---
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
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