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1.3k 收藏 2
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
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。
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 2106
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！
【YOLO】之理解召回率、精确率和准确率
酸梅果茶的博客
05-13 9567
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目标检测中的准确率、精确率、召回率、F1-score 值
LYH8543的博客
02-13 718
Yolo目标检测中的准确率、精确率、召回率、F1-score 值
yolo中的评价指标
最新发布
2502_91022201的博客
03-18 462
在机器学习中，要评估一个模型在任务中的优越性，需要利用评价指标来对其进行评估，而评价指标往往有多个从不同层面来评价模型的优劣，从而使模型的构建者更加的全面的了解模型的性能，同时依据任务的偏向和要求来对模型进行取舍。常用的分类模型的评价指标有准确率(Accuracy)、精确率(Precision)、召回率(Recal)、F1-Score(FI)，在探究不同评价指标前，先定义一些计算这些上述指标的基本值。FN(False negatives): 实际为正例，但被分类器划分为负例的实例数，
【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 3234
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...
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...
YOLO指标分析
做个充实的人
12-18 1181
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
08-11 825
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。
yolov1 无全连接_YOLOv1/v2/v3简述 | 目标检测
weixin_33750664的博客
12-23 418
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 9071
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 1069
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。
YOLOV4垃圾检测召回率提升
RGZNHH的博客
09-02 4632
YOLOV4垃圾检测召回率提升 一. 目标检测中的mAP 1. mAP相关知识 1.1 IOU(交并比) 目标检测时，预测框和真实框的交并比，是个重要的参数。 在正负样本的划分和非极大抑制中起到关键作用 1.2 precision(准确率) / recall(召回率) 首先我们需要了解目标检测过程中正负样本的概念 在目标检测中，样本置信度大于一定阈值时，模型就认为检测到了该目标，否则不认为检测到目标 正样本指的是我们真实想要检测到的的目标(但未必检测到了)，负样本指的是样本中除了正样本之外的，即不是
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 9587
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
在自定义数据集上对 YOLOv10 模型进行微调以检测肾结石
DT程序员的博客
07-01 384
对 YOLOv10 模型进行微调以增强肾结石检测，可将诊断时间从每份报告 15-25 分钟显著缩短至每秒处理约 150 份报告。这项研究面向医学研究人员、医疗保健专业人士和 AI 公司，通过以数据为中心的技术，无需改变模型架构，即可获得94.1 的 mAP50
yolo8准确率精确率和召回率
02-25
### YOLOv8 模型的准确率、精确率和召回率 对于YOLOv8模型而言，准确理解其性能评估中的几个核心概念至关重要。 #### 准确率（Accuracy） 在多类分类场景下，准确率是指所有预测正确的样本占总样本的比例。然而，...
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