yolo精确率和召回率的通俗理解

已于 2024-10-03 16:38:13 修改
阅读量1.5k 收藏 3
点赞数 15
文章标签： python YOLO
于 2024-04-27 22:30:05 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/m0_60048134/article/details/138259512
版权
本文详细解释了在YOLO目标检测过程中，如何区分正样本(TT,TN)和负样本(NT,NN)，并阐述了精确率和召回率的概念，以及它们在评估模型性能时的作用。此外，还提到了map50和map0.25、0.5、0.75这些评价指标。

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

前面没啥，重点是要你先关注，才能看后面，再看看，马上不能看了吧，坚持坚持，点个关注就可以都看到了，哈哈哈

注：对于其中一个目标来说，只有他是正样本，其他所有均为负样本

首先说明yolo检测过程中，会将结果分为四类，

T检测为正确（1、TP（P的意思是检测为正样本，T的意思是指上一句话（P的意思是检测为正样本）是正确的），2、TN（N：检测为负样本，T的意思是指上一句话（N：检测为负样本）是正确的但））

F检测为错误（3、FP（P:检测为正样本样本,F:(P:检测为正样本样本)这句话是错误的），4、FN（N:检测为负样本，F:(N:检测为负样本)这句话是错误的））

精确率，简单来说就是预测为正样本的样本中正确的所占比例（P检测为正样本）中的正确率=TP/（TP+FP）或=TP/P

换一句话来说精确率就是在反映yolo看到（检测）的结果对不对

召回率，简单来说就是检测到的正样本占所有正样本的比例（TP检测为正样本,FN表示预测为负样本但是预测是错误的，因此指的还是正样本）=TP/(TP+FN)

换一句话来说召回率就是在反映yolo能不能看到（检测）到标签

注：yolo中底层算法会每个目标如此都计算，然后通过算法计算出总结果map50和map0.25、0.5、0.75

fuqiang yang
关注
YOLOv11训练中精准率召回率与mAP@0.5的动态变化分析
面向AI前沿技术的深度解析平台，覆盖基础理论、算法优化及产业应用全链路
04-09 1264
本文介绍了目标检测模型训练过程中生成的 results.csv 文件的结构及其应用。该文件记录了每个训练轮次的关键性能指标（如精准率、召回率、mAP@0.5 、mAP@0.5 :0.95）和损失值（如定位损失、分类损失等），为模型性能分析提供了数据基础。通过加载和解析 results.csv 文件，可以绘制性能指标与损失随训练轮次的变化曲线，直观展示模型的收敛速度和最终精度。此外，支持多文件数据对比功能，能够有效评估不同算法或模型改进策略的效果。
写给初学者的YOLO目标检测 概述
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。
04-27 1万+
目标检测（Object detection）是计算机视觉中使用的一种技术，用于识别和定位图像或视频中的对象。图像定位是指使用边界框（bounding boxes）来识别一个或多个对象的正确位置的过程，这些边界框对应于围绕对象的矩形形状。这个过程有时会与图像分类或图像识别混淆，后者旨在将图像或图像中的对象预测为类别或类别之一。下面的插图对应于上述解释的计算机视觉技术。在图像中检测到的对象是“人”。在本文中，将首先了解目标检测的优势，然后介绍最先进的目标检测算法YOLO。在第二部分中，我们将更加关注。
YOLO11模型指标解读-mAP、Precision、Recall
dejahu的博客
11-27 1万+
今天一起来解读一下目标检测中的各个指标，包括map、precision以及recall等
Yolo目标检测中的准确率、精确率、召回率、F1-score 值
LYH8543的博客
02-13 886
Yolo目标检测中的准确率、精确率、召回率、F1-score 值
【YOLO】之理解召回率、精确率和准确率
酸梅果茶的博客
05-13 9835
某呼上是这样解释的： 精确率(precision)和准确率(accuracy)是不一样的。 实际上非常简单，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+FPP=\frac{TP}{TP+FP}P=TP+FPTP​ 而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，一种是把原来的正类预测成正类(TP)，另一..
【YOLO学习】召回率（Recall），精确率（Precision），平均正确率（Average_precision(AP) ），交除并（Intersection-over-Union（IoU））
热门推荐
Joe_quan的博客
01-05 10万+
在训练YOLO v2的过程中，系统会显示出一些评价训练效果的指标，包括Recall，IoU等等。为了怕以后忘了，现在把自己的理解记录一下。这一文章首先假设一个测试集，然后围绕这一测试集来介绍这几种指标的计算方式。
看懂YOLOv7混淆矩阵的含义，正确计算召回率、精确率、误检率、漏检率
孟孟单单的博客
11-28 1万+
【代码】看懂YOLOv7混淆矩阵的含义，正确计算召回率、精确率、误检率、漏检率。
YOLO学习】召回率（Recall），精确率（Precision），平均正确率（Average_precision(AP) ），交除并（Intersection-over-Union（IoU））
frank的专栏
12-22 3255
译文可以参考： https://blog.csdn.net/h Tag: average precision It’s a bird… it’s a plane… it… depends on your classifier’s threshold Evaluation of an information retrieval system (a search engine, for exam...
YOLO指标分析
做个充实的人
12-18 1305
真正例（TP）：预测为正，实际也为正。假正例（FP）：预测为正，实际为负。真负例（TN）：预测为负，实际也为负。假负例（FN）：预测为负，实际为正。
----❀❀❀-- YOLO V5 个人学习笔记 通俗易懂 --❀❀❀------
m0_58620239的博客
08-11 838
YOLOv5是一个高效、精准的目标检测模型，具备高性能、多预训练模型、多尺度检测等特性。本文详细介绍了YOLOv5的特点，帮助读者快速上手使用YOLOv5进行目标检测任务。
YOLO算法：关于目标检测的评价指标（小白入门必读）
突然好想你
10-24 2307
目标检测评价指标是用来衡量目标检测算法性能的指标，主要包括几个指标：精确率（Precision）、召回率（Recall）、交并比（IoU）、平均精度（AP）和多个类别AP的平均值即mAP等等。本节课就给大家重点介绍下目标检测中的相关评价指标及其含义，希望大家学习之后能够有所收获！
目标检测--精确度(precision), 准确率(accuracy), 召回率(recall), 漏检率, 虚警率
qq_29007291的博客
01-08 1万+
假设: 一组样本，个数为，正例有P个，负例有N个， 算法结果: 判断为正例的正例有TP个，判断为负例的正例有FN个(假的负例）P=TP+FN 判断为负例的负例为TN个，判断为正例的负例有FP个（假的正例）N=TN+FP 指标计算: 精确度（Precision）P=所有判断为正例的例子中，真正为正例的所占的比例=TP/(TP+FP) 准确率（Accuracy）A=判断正确的例子的比例=（TP+TN）...
目标检测指标细究：精确度（Precision）、召回率(recall)、虚警率（False Alarm）
星智云图工作室（StarImagine Studio）
12-03 1万+
1、目标检测中的“样本”概念： 并非groundtruth，也非图片。指的是真正投入网络参与loss计算及其正反向传播的边界框，这些框是算法根据groundtruth预测出来的。框中有样本且类别正确则为正样本，框中无样本或样本类别错误则为负样本。在one-stage算法中的样本就是正负比为1:3的Regin Proposals，在SSD中就是正负比为1:3的Prior boxes，在YOLOv1...
yolov1 无全连接_YOLOv1/v2/v3简述 | 目标检测
weixin_33750664的博客
12-23 424
YOLO系列是目标检测领域里十分经典的结构，虽然目前已经出了很多更高质量更复杂的网络，但YOLO的结构依然可以给算法工程师们带来很多的启发。这3篇论文看下来，感觉像是一本调参说明书，教你如何使用各种trick提高手上的目标检测网络的准确率来源：晓飞的算法工程笔记 公众号YOLOv1**论文: You Only Look Once:Unified, Real-Time Object Detectio...
yolo,mAP, F1值, 召回率（Recall），精确率（Precision），(TP,TN,FP,FN)，交除并（Intersection-over-Union（IoU））
分享计算机视觉，C++，网络摄像头研发，音视频开发，嵌入式等知识。
03-19 9203
mAP 平均精度(mAP)是一个度量标准，用于评估对象检测模型，如Fast R-CNN, YOLO, Mask R-CNN等。 mAP formula is based on the following sub metrics（mAP公式基于以下子度量）: Confusion Matrix, Intersection over Union(IoU), Recall, Precision confusion matrix TP: True：表示预测正确，Positives表示预测的结果是正。说明使用的是
简单理解精确率(Precision)和召回率(Recall)
IT菜鸟
02-03 1163
简单理解精确率(Precision)和召回率(Recall)
详解精确率 (Precision)召回率 (Recall)F1评分 (F1 Score)
weixin_53765658的博客
05-29 1万+
低召回率，高精确率: 系统过于挑剔，推荐较少的视频，大多数是相关的，但错过了很多相关视频。这导致高精确率但低召回率。高召回率，低精确率: 系统过于宽泛，推荐了很多视频，捕捉了更多的相关视频，但也包括许多不相关的视频。这导致高召回率但低精确率。在这两种情况下，精确率和召回率之间的不平衡导致了低F1评分，突显了需要更好地平衡以实现最佳推荐系统。
YOLOv8的多分类模型如何计算准确率(Accuracy)、精确率(Precision)、召回率(recall)和F1-Score模型评估参数
阿旭的博客
04-07 1万+
YOLOv8的多分类模型如何计算准确率(Accuracy)、精确率(Precision)、召回率(recall)和F1-Score模型评估参数
yolo模型召回率低
最新发布
03-08
### 提高YOLO模型召回率的方法 #### 1. 数据增强策略 通过增加数据多样性可以显著提升模型的表现。具体方法包括但不限于图像翻转、旋转以及颜色抖动等操作[^1]。这些变换不仅增加了训练集规模，而且使得网络能够学习到更多样化的特征。 #### 2. 调整IoU阈值 在非极大抑制(NMS)过程中调整交并比(IoU)阈值可以帮助改善召回率。较低的IoU阈值允许更多的边界框保留下来作为最终检测结果的一部分，从而有可能捕获那些原本会被过早过滤掉的真实阳性实例[^3]。 #### 3. 使用更复杂的损失函数 引入额外项至原始损失函数中，比如Focal Loss, 可以使模型更加关注难以分类的对象，进而有助于提高整体召回水平。Focal loss通过对容易分错的目标施加更大的权重来鼓励模型专注于困难案例的学习过程。 #### 4. 遗传算法优化超参数 利用遗传算法自动寻找最优组合方式来进行超参调优工作也是一种有效手段。这种方法可以在较大范围内探索不同配置下的表现差异，并找到最适合当前任务需求的那一组设置。 #### 5. 多尺度训练与测试 让模型在同一时间接收多种分辨率版本输入图片，在一定程度上也可以帮助其更好地捕捉不同类型大小目标的信息，进一步促进召回能力的增长。 ```python import torch from torchvision import transforms def data_augmentation(image): transform = transforms.Compose([ transforms.RandomHorizontalFlip(), transforms.RandomRotation(10), transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1) ]) augmented_image = transform(image) return augmented_image ```
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