yolo精确率和召回率的通俗理解

fuqiang yang

于 2024-04-27 22:30:05 发布

阅读量686

点赞数 14

文章标签： python YOLO

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。

摘要由CSDN通过智能技术生成

注：对于其中一个目标来说，只有他是正样本，其他的所有类为负样本

首先说明yolo检测过程中，会将结果分为四类，T检测为正样本（1、TT（检测为正样本同时本身也是正样本），2、TN（检测为正样本，但本身为负样本）），N检测为负样本（3、NT（检测为负样本同时本身是正样本），4、NN（检测为负样本，本身为负样本））

精确率，简单来说就是检测结果为正样本（T检测为正样本）中的正确率=TT/（TT+TN）或=TT/T

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，简单来说就是检测为正样本（T检测为正样本）中的标签数在该标签的正样本中所占比例=TT/(TT+NN)

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

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

fuqiang yang

关注关注

14
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
yolo精确率和召回率的通俗理解

快速理解yolo精确率和召回率
复制链接

扫一扫

YOLOv5 Small的改进和增强基于多模块目标识别优化|YOLOv5手机划痕检测，精度和召回率分别为 80.406% 和 76%|深⼊研究并改进了YOLOv5s模型在小目标检测任务上的局限性

sybh的博客

05-31

714

在当今的⼯业⽣产和⽇常⽣活中，⼩⽬标识别发挥着越来越重要的作⽤。在⼯业⽣产中，⽆论是微⼩缺陷的检测，还是⾼速⽣产线上零件的精确定位，⼩⽬标的准确识别是提⾼⽣产效率和产品质量的关键。例如，在半导体制造中，早期检测微⽶甚⾄纳⽶级别的缺陷可以显着降低⽣产成本。在⽇常⽣活中，⼩⽬标识别⽆处不在，从医学图像中的细胞检测到在安全监控中跟踪⼩型⽆⼈机。⼩⽬标识别的研究引起了学术界的⼴泛关注。传统⽅法主要基于特征⼯程和⼿⼯设计的算法 [1-2]。

yolo.cfg和yolo.weight

02-20

YOLO（You Only Look Once）是一种实时目标检测系统，它在计算机视觉领域有着广泛的应用，尤其是在自动驾驶、视频监控和图像分析等场景。标题中的"yolo.cfg"和"yolo.weight"是YOLO模型的核心组成部分。 `yolo.cfg`...

参与评论您还未登录，请先登录后发表或查看评论

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

3068

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】之理解召回率、精确率和准确率

酸梅果茶的博客

05-13

8234

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..

目标检测一部分基础术语笔记

weixin_74825138的博客

05-13

1338

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。

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

最新发布

孟孟单单的博客

11-28

8756

【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。

目标检测的衡量标准

u013972657的博客

10-21

6329

https://www.cnblogs.com/wjjcjj/p/13894995.html Precision=True positives/predicted as positives Recall=True positives/actual positives

【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

7715

【计算机视觉 | 目标检测】术语理解3：Precision、Recall、F1-score、mAP、IoU 和 AP

YOLO猫狗检测和识别数据集

05-30

YOLO猫狗检测数据集，1000多张使用lableimg标注软件，标注好的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOLO系列算法； 1、3500多张标注好的数据...

YOLO算法足球和运动员检测数据集

02-20

1、YOLO足球和运动员检测数据集，使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中， 2、数据集和检测结果参考：...

YOLO玩手机和人脸区域检测数据集

05-08

1、YOLO玩手机和人脸区域检测数据集，1000多张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOLO玩手机...

YOLO V8 模型权重和main方法

09-20

YOLO V8 模型权重和main方法是深度学习领域中的关键组件，它们共同构成了一个高效的目标检测系统。YOLO（You Only Look Once）是一种实时的卷积神经网络（CNN）架构，最初由Joseph Redmon等人在2015年提出，旨在快速...

YOLO性能评价指标

weixin_44623637的博客

02-09

8278

假设你的分类系统最终的目的是：能取出测试集中所有飞机的图片，而不是大雁的图片。 TP：真实类别为飞机，预测结果为飞机。 FP：真实类别为大雁，预测结果为飞机。 FN：真实类别为飞机，预测结果为大雁。 TN：真实类别为大雁，预测结果为大雁。 准确率：Acc= (TP + TN)/ S 预测和groundtruth相同的个数占总个数的比例，即来衡量预测的正确率。误检率：FPR= FP / Nf...

yolo系列中的一些评价指标说明

qq_30150579的博客

11-25

3554

yolo系列中的一些评价指标说明

YOLO 模型的评估指标——IOU、Precision、Recall、F1-score、mAP

热门推荐

qq_63708623的博客

01-01

2万+

YOLO是最先进的目标检测模型之一。目标检测问题相比分类问题要更加复杂，因为目标检测不仅要把类别预测正确，还要预测出这个类别具体在哪个位置。我将目标识别的评估指标总结为两部分，一部分为预测框的预测指标，另一部分为分类预测指标。

目标检测-指标

qq_43578042的博客

08-13

1157

目标检测评价指标

目标检测中精确率，召回率，准确率的意思

Yemiekai的博客

09-01

6784

精确率 召回率 准确率

YOLO难理解知识点整理（指标计算+损失计算+网络结构持续更新）

weixin_52514564的博客

04-03

1334

YOLO难理解知识点整理（持续更新）

yolov5 的 mAP 和 召回率很低，但是精准率 AP还可以

weixin_43257313的博客

06-12

2868

yolo学习

yolo v5召回率精确率代码

10-11

以下是使用 YOLOv5 模型计算召回率和精确率的示例代码： ```python import torch from utils.general import non_max_suppression # 加载模型和数据 model = torch.hub.load('ultralytics/yolov5', 'custom', path_or_model='path/to/model.pt') dataset = torch.utils.data.DataLoader('path/to/dataset') # 设置阈值和IOU阈值 conf_threshold = 0.5 iou_threshold = 0.5 # 计算召回率和精确率 total_true_positives = 0 total_false_positives = 0 total_false_negatives = 0 for images, targets in dataset: # 推理 results = model(images) # 非极大值抑制 results = non_max_suppression(results, conf_threshold, iou_threshold) # 计算真阳性和假阳性的数目 true_positives = 0 false_positives = 0 for i, (result, target) in enumerate(zip(results, targets)): if result is None: total_false_negatives += 1 continue # 计算IOU ious = torch.bbox_iou(result[:, :4], target[:, :4]) # 找到IOU最大的预测框 max_iou, max_iou_idx = ious.max(1) # 如果IOU大于阈值，则为真阳性；否则为假阳性 true_positives += (max_iou >= iou_threshold).sum().item() false_positives += (max_iou < iou_threshold).sum().item() total_true_positives += true_positives total_false_positives += false_positives # 计算精确率和召回率 precision = total_true_positives / (total_true_positives + total_false_positives) recall = total_true_positives / (total_true_positives + total_false_negatives) print('Precision: {:.4f}, Recall: {:.4f}'.format(precision, recall)) ```