yolov5 混淆矩阵计算精确率（percision）

最新推荐文章于 2024-05-09 13:14:38 发布
最新推荐文章于 2024-05-09 13:14:38 发布
阅读量1.9k 收藏 27
点赞数 5
文章标签： YOLO 矩阵 线性代数
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/beyondCCCS/article/details/131112965
版权
文章讨论了如何在Yolov5中正确计算精确率，指出混淆矩阵需非归一化，并提供了修改metrics.py文件的建议，以获取未归一化的混淆矩阵。通过示例解释了精确率和召回率的计算，批驳了错误的理解，并解释了为何终端输出与混淆矩阵结果可能不同。
摘要由CSDN通过智能技术生成

yolov5 混淆矩阵计算精确率（percision）

刚才看到一个误人子弟的文章，发现还不少人评论收藏
yolov5的混淆矩阵

yolov5 输出的混淆矩阵是归一化之后的 计算召回率的话直接取对角线上的值就好了，但是想要计算精确率（percision）)并不能直接算
在这里插入图片描述

首先我们要得到一个没有归一化的混淆矩阵：

找到 metrics.py 文件 然后找到 plot 中的normalize 改成 false 这样会输出未归一化的混淆矩阵
在这里插入图片描述

在这里插入图片描述
然后就可以计算精确率了

如第一个类别’'error’的
P of error = 25/(25+1) = 0.96 (精确率)
R of error = 25/(25+3) = 0.89 (召回率)

这个结果和终端执行val.py之后的结果也能对应的上

如果按照那个大聪明的说法

P of error = 0.89/(0.89+0.2) = 0.75 (精确率)

在这里插入图片描述

关于为什么终端和混淆矩阵输出的结果不一样这位作者说的挺清楚的

关于yolov5训练输出的混淆矩阵与终端输出的不一致问题

beyondCCCS
关注
yolov5的混淆矩阵
weixin_43745234的博客
11-26 2万+
正常混淆矩阵是下图这样的，每个格子里填写的是数量 准确率、精确率和召回率的公式如下 Yolov5模型预测出来的混淆矩阵如下图所示，可以发现，每个格子里填是是小数，经分析可发现，下图应该是在列的方向上做了归一化了，所以根据精确率和召回率的公式可得，混淆矩阵对角线上格子里的数，已经就是召回率了，如果想计算精确率，横向计算一下即可，以第一行的类别ak为例 召回率为0.78/(0.78+0.03+0.19)=0.78 精确率为：0.78/(0.78+0.02+0.03+0.38)=0.65 ...
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
热门推荐
Snu77的博客
11-02 6万+
这篇博客，主要给大家讲解我们在训练yolov8时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据具体需求，我们可以选择更适合任务场景的模型和参数配置。最后祝大家学习顺利，科研成功，多多论文！！
YOLOv5入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】
最新发布
kay_545
05-09 5435
YOLOv5入门，YOLOv8入门，实验结果，改进，创新
关于yolov5训练输出的混淆矩阵与终端输出的不一致问题
weixin_43508499的博客
03-13 1万+
目录1. 问题2. 原因2.1 混淆矩阵绘制2.2 终端指标的计算 （太长不看系列） 结论：混淆矩阵的值是根据检测框和标注框根据一定的IOU计算的，终端指标的输出是找到最大的f1 score所对应的精确率p和召回率r，所以会不一致。 1. 问题 之前有同事问，怎么yolov5训练绘制的混淆矩阵，跟终端输出的对不上。（之前我也没注意这个问题） 这里以训练烟雾、火焰两个类别为例，输出的混淆矩阵如下所示： 而终端的输出截图如下所示： 对比两张图可以发现，在混淆矩阵中，fire和smoke类别的灵敏度（数值上等
怎么让yolov5中的混淆矩阵更好看一点呢？
weixin_51376761的博客
07-11 2017
yolov5中的混淆矩阵图的优化
YOLO模型结果中的混淆矩阵怎么看
Cr_NanMao的博客
12-09 1万+
大家在训练完YOLOv5、v8模型时，输出的结果中会有如图1所示。图1 训练结果中的混淆矩阵那么这个图应该怎么看呢，请看下面的讲解。希望对你有帮助。
学习总结--混淆矩阵、准确率、精确率、召回率、PR曲线、mAP
AWhiteDongDong的博客
06-13 2576
先记一些概念 ** 准确率 ** 检测时分对的样本数除以所有的样本数。准确率一般被用来评估检测模型的全局准确程度，包含的信 息有限，不能完全评价一个模型性能。 混淆矩阵 混淆矩阵(Confusion Matrix)混淆矩阵是以模型预测的类别数量统计信息为横轴，真实标签的数量统计信息为纵轴画出的矩阵。对角线代表了模型预测和数据标签一致的数目，所以准确率也可以用混淆矩阵对角线之和除以测试集图片数量来计算。对角线上的数字越大越好，在混淆矩阵可视化结果中颜色越深，代表模型在该类的预测结果更好。其他地方自然是预测错误
YOLOv5全面解析教程④：目标检测模型精确度评估
OneFlow深度学习框架
02-17 4005
指标评估（一些重要的定义）IOU(Intersection Over Union) 基于Jaccard索引，用于评估两个边界框之间的重叠程度。它需要一个真实回归框 (a ground truth bounding box)和一个预测回归框(a pr...
精确率（Precision、查准率）与召回率（Recall Rate、查全率）
漫步量化
06-16 5365
精确率1 精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是 P=TPTP+FP P=\frac{TP}{TP+FP} P=TP+FPTP​ 召回率 召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正...
混要矩阵（Confusion Matrix）,精度（accuracy），准确率（Precision），召回率（recall），ROC与AUC在分类评价中的运用
yanxueotft的博客
08-22 3865
对于大部分二分类问题，尤其是不平衡数据集（即一个类别出现的次数比另一个类别多很多），通常用的分类评估方法精度指标accuracy并不能很好的反映模型的好坏。 举一个极端的例子，如果1组数据有100个样本，其中99个为正类，1个为负类。如果提供一个模型永远只预测样本为正类，那么这个模型也能有99%的精度。但实际上找个模型其实是很很傻的，什么也没学到，只是因为数据集的不平衡是的模型看上去很好，却永远也...
YOLOv5模型解析与改进：对口罩佩戴检测中的多目标检测问题
# 一、引言 ## 1.1 研究背景 随着全球新冠疫情的蔓延，口罩佩戴成为...相比于YOLOv4，YOLOv5在精度和速度上有显著提升，成为当前目标检测领域的热门模型之一。 ## 1.3 口罩佩戴检测的应用需求 ### 二、YOLOv5模型解
深度学习图像识别笔记（三）：yolov5检测结果分析
m0_54227219的博客
03-23 1万+
yolov5学习
mAP（mean average percision）
TANGerrr的博客
08-05 248
样本数量共100个，内含标签为1的样本共60个， 检索后模型查到50个，其中需要的样本5个 P(Percision查准率，准确率) = 5/50 = 10% R(Recall召回率) = 5/60 = 8.33% 下面看AP： 画出PR曲线，每个点（验证集）的面积代表AP值，面积越大模型越好，加上m(mean)即所有点的平均面积。 mAP = QR指验证集个数。 参考https://blog.csdn.net/u013249853/arti
Percision Recall F-Measure
michelle190的专栏
10-29 1250
为了能够更好的评价IR系统的性能，IR有一套完整的评价体系，通过评价体系可以了解不同信息系统的优劣，不同检索模型的特点，不同因素对信息检索的影响，从而对信息检索进一步优化。 由于IR的目标是在较短时间内返回较全面和准确的信息，所以信息检索的评价指标通常从三个方面考虑：效率、效果和其他如数据规模。 下面简单介绍几种常用的信息检索评价指标： 1、准确率与召回率（Preci
yolov5 评价指标
weixin_75205835的博客
11-25 6367
相信刚上手yolov5的小伙伴，对train.py和val.py 中的评价指标很疑惑吧。今天为大家讲解一下，争取用朴素的语言讲明白。
YOLOV5学习笔记（一）——原理概述
HUASHUDEYANJING的博客
07-27 1万+
先经过卷积神经网络得到特征图像，之后对图像进行网格划分，每个网格单独进行画框检测和类别的概率图，最终得到结果。经过卷积神经网络可以得到不同大小的特征图，对不同大小的特征图进行融合利于小目标的检测。一个网络往往有主干网络（Backbone）+颈部（Neck）+头部（Head）组成。图片卷积经过32倍下采样得到19*19的图片，每个网格都会单独预测和画锚框。mAP是衡量学习出来的模型在所有类别上的好坏是AP的平均值。每个小框内包含了边界框坐标、目标得分和类别得分。AP是衡量学习出来的模型在每个类别上的好坏。..
关于混淆矩阵那些混淆的概念和画法
weixin_44533901的博客
08-20 3156
关于混淆矩阵那些混淆的概念和画法 如果你想画一个混淆矩阵，那么赶快理清你的思绪，跟我一起来理解关于混淆矩阵里的那些混淆概念！ 混淆矩阵概念 混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。具体评价指标有总体精度、制图精度、用户精度等，这些精度指标从不同的侧面反映了图像分类的精度。在人工智能中,混淆矩阵（confusion matrix）是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度
yolov5 训练结果解析
m0_54111890的博客
03-08 3万+
yolov5 训练结果解析 在每次训练之后，都会在runs-train文件夹下出现一下文件，如下图： 一：weights 包含best.pt（做detect时用这个）和last.pt（最后一次训练模型） 二：confusion 1：混淆矩阵： ①：混淆矩阵是对分类问题的预测结果的总结。使用计数值汇总正确和不正确预测的数量，并按每个类进行细分，这是混淆矩阵的关键所在。混淆矩阵显示了分类模型的在进行预测时会对哪一部分产生混淆。它不仅可以让我们了解分类模型所犯的错误，更重要的是可以了解哪些错.
yolov5人脸识别(yolov5-facenet-svm)
飞羽QQ
07-18 4万+
yolov5出来的这段时间，挺火，自己试着跑了以下，速度精度确实不错，相比yolov3性能要高，相比yolov4这个咱不敢说。以下用yolov5做一个人脸识别的demo。 一、yolov5 yolov5的原理这个就不介绍了，网上一查一大堆，github官方源码地址https://github.com/ultralytics/yolov5 现在来谈谈yolov5在这个人来能识别demo中的作用（框出人脸）： 怎么才能框出人脸呢，yolov5官方预训练权重只能框出整个人，要想框出人脸只能在其基础之上再训练，训练
戴尔percision增加硬盘不识别
07-02
戴尔Percision增加硬盘不识别可能有以下几种原因： 1.连接问题：首先需要确保硬盘与Percision主机的连接是正确的。检查硬盘的数据线和电源线是否牢固连接。如果是外置硬盘，还要确保USB或其他接口连接正常。尝试...
评论 5
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