目标检测评价指标 - TN FN TP FP 准确率 召回率 精确率 F1

于 2024-08-30 10:11:45 发布
阅读量519 收藏 5
点赞数 8
分类专栏： 目标检测 文章标签： 目标检测 计算机视觉
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/m0_46653846/article/details/141709778
版权

目标检测评价指标

  1. TN FN TP FP 用 0 1 举例

当使用 1 和 0 代表类别时，混淆矩阵看起来如下所示：

预测\真实真实为 1 (Positive)真实为 0 (Negative)
预测为 1TP=85FP=15
预测为 0FN=20TN=80

在这里：

  • TP（True Positive）= 85，表示模型正确地将类别 1 预测为类别 1。
  • FP（False Positive）= 15，表示模型错误地将类别 0 预测为类别 1。
  • FN（False Negative）= 20，表示模型错误地将类别 1 预测为类别 0。
  • TN（True Negative）= 80，表示模型正确地将类别 0 预测为类别 0。
  1. 准确率、召回率、精确率、 F1计算

  • 准确率（Accuracy）：分类器正确分类的样本数与总样本数之比。

    Accuracy = (TP + TN)/(TP + TN + FP + FN)

             = (85 + 80) / (85 + 80 + 15 + 20) ≈ 0.825

  • 召回率（Recall）：正样本中被分类器正确识别的比例。

    Recall = TP/ (TP + FN)

             = 85 / (85 + 20) ≈ 0.8095

  • 精确率（Precision）：分类器预测为正类别的样本中，真正为正类别的比例。

    Precision= TP/ (TP + FP)

             = 85 / (85 + 15) ≈ 0.85

  • F1 值：精确率和召回率的调和平均值，是综合考虑了精确率和召回率的一个指标。

    F1 = 2 * (Precision * Recall) / (Precision + Recall)

      ≈ 0.8295

    F1有点调和平均数的意思

第七号咸鱼
关注
专栏目录
模型评价指标----准确率、精准率、召回率、F1、ROC曲线、AUC曲线
m0_37737957的博客
08-28 570
1、精确率（Precision）与召回率（Recall） 2、Precision-recall 曲线、F1-score与准确率（accuracy） 3、ROC、AUC 4、Per-Region-Overlap（PRO）
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 5324
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。
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 1299
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...
FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)等评价指标介绍
最新发布
qq_64431512的博客
05-30 3152
FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)等评价指标介绍
目标检测-----准确率、精准率、召回率、F1值
qq_28057379的博客
06-29 2262
Precise 表示正确预测正样本占实际预测为正样本的比例 Recall 表示正确预测正样本占正样本的比例 Accuracy 表示预测符合标签的样本与总样本的比例 F1 measure
深入了解平均精度(mAP)：通过精确率-召回率曲线评估目标检测性能
deephub
05-28 5504
mAP是目标检测中常用的评估指标，它能够综合考虑模型在不同类别上的性能，因此能够更全面地评估目标检测模型的准确度和召回率。较高的mAP值表示模型在目标检测任务上的性能更好。预测边界框生成：模型通过对输入图像进行推理，生成一系列预测的边界框，每个边界框包括边界框的位置和预测的目标类别。真实边界框标注：对于每个图像，标注人员手动标记真实的边界框和对应的目标类别。
【计算机视觉 | 目标检测】术语理解3：Precision、Recall、F1-score、mAP、IoU 和 AP
wzk4869的博客
05-19 8111
【计算机视觉 | 目标检测】术语理解3：Precision、Recall、F1-score、mAP、IoU 和 AP
TP、FN、FP、TN、准确率、召回率、F1
羊老羊
09-07 2552
助记：TP、FN、FP、TN 主讲：精确率 召回率
详解准确率、精确率、召回率、F1值等评价指标的含义
谓之小一
01-31 3万+
机器学习问题之中，通常需要建立模型来解决具体问题，但对于模型的好坏，也就是模型的泛化能力，如何进行评估呢？ 很简单，我们可以定一些评价指标，来度量模型的优劣。比如准确率、精确率、召回率、F1值、ROC、AUC等指标，但是你清楚这些指标的具体含义吗？下面我们一起来看看吧。 1.混淆矩阵 介绍各个指标之前，我们先来了解一下混淆矩阵。假如现在有一个二分类问题，那么预测结果和实际结果两两结合会出现如下四种...
【模型评估】混淆矩阵（confusion_matrix）之 TP、FP、TN、FN；敏感度、特异度、准确率、精确率
钱多多先森
06-08 7799
对基于固定阈值的混淆矩阵进行了详尽的介绍和代码展示，包括依次引申出来的各个评价指标
理解目标检测中的mAP与F1 Score
椰子奶糖的博客
05-20 1万+
文章目录总述IoUTP、TN、FP、FNPrecisionRecallF1-ScoremAPmAP计算过程： 总述 要理解mAP与F1 Score需要一些前置条件，比如：IoU、FP、TP、FN、TN、AP等 IoU 衡量监测框和标签框的重合程度。一张图就能解释。 TP、TN、FP、FN TP，即True Positives，表示样本被分为正样本且分配正确。 TN，即True Negatives，表示样本被分为样本且分配正确。 FP，即False Positives，表示样本被分为正样本但分配错
目标检测-指标
qq_43578042的博客
08-13 1306
目标检测评价指标
5、目标检测评估指标
weixin_44986037的博客
03-13 2186
深度学习
睿智的目标检测20——利用mAP计算目标检测精确度
热门推荐
Bubbliiiing的学习小课堂
03-06 7万+
睿智的目标检测20——利用mAP计算目标检测精确度学习前言GITHUB代码下载知识储备1、IOU的概念2、TP TN FP FN的概念3、precision（精确度）和recall（召回率）4、概念举例5、单个指标的局限性什么是AP绘制mAP 学习前言 好多人都想算一下目标检测的精确度，mAP的概念虽然不好理解，但是理解了就很懂。 GITHUB代码下载 这个是用来绘制mAP曲线的。 https:...
目标检测的衡量标准
u013972657的博客
10-21 6442
https://www.cnblogs.com/wjjcjj/p/13894995.html Precision=True positives/predicted as positives Recall=True positives/actual positives
目标检测一部分基础术语笔记
weixin_74825138的博客
05-13 1450
目标检测中的fine-tuning是指在已经训练好的模型基础上，通过在新的数据集上进行微调，以提高模型在新数据集上的性能。通常情况下，fine-tuning是在一个预训练模型的基础上进行的，这个预训练模型通常是在大规模数据集上进行训练的，如ImageNet。目标检测中，ground truth指的是真实的目标位置和类别信息，通常由人工标注或者其他可靠的方法得到。mAP越高，说明算法在检测目标方面的性能越好。SS搜索方法的优点是能够生成大量的候选框，覆盖了图像中的大部分区域，从而提高了目标检测的召回率。
目标检测模型的几个指标
qq_52832321的博客
03-08 3703
F1得分是一个综合了精确率（precision）和召回率（recall）的指标，其计算公式是2 * (精确率 * 召回率) / (精确率 + 召回率)，值范围在0~1之间，取值越大则模型性能越好。精确率（Precision）: Precision 是正确预测为正的样本（TP）占预测为正的总样本（TP+FP）的比例。召回率（Recall）: Recall 是正确预测为正的样本（TP）占实际为正的总样本（TP+FN）的比例。也就是，这些样本是正类，模型预测为正类。也就是，这些样本是负类，模型预测为负类。
目标检测中精确率，召回率，准确率的意思
Yemiekai的博客
09-01 6902
精确率 召回率 准确率
目标检测评价指标：精准度与召回率解析
"目标检测评价指标是衡量机器学习模型在目标检测任务中表现的关键标准，包括精确度、召回率、准确率、真负类率、假正类率等多个方面。这些指标帮助我们理解模型在识别正例和负例时的效率和准确性。" 目标检测是...
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

第七号咸鱼

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