衡量模型的几个指标

ii最可爱

已于 2024-05-16 16:25:22 修改

阅读量411

点赞数 3

文章标签：笔记

于 2024-05-16 16:23:14 首次发布

本文链接：https://blog.csdn.net/m0_62791852/article/details/131562800

版权

mAP (mean Average Precision)：
- mAP 是目标检测模型最常用的评估指标。它结合了模型的精确率（precision）和召回率（recall）来衡量模型的整体性能。
- 计算步骤：
  1. Precision（精确率）：检测到的目标中，真正属于该类的比例。公式为：Precision = TP / (TP + FP)，其中 TP 是真正例（true positives），FP 是假正例（false positives）。
  2. Recall（召回率）：真正属于该类的目标中，被正确检测到的比例。公式为：Recall = TP / (TP + FN)，其中 FN 是假负例（false negatives）。
  3. AP（Average Precision）：对于每一类，通过绘制精确率-召回率曲线，并计算曲线下的面积来得到 AP。
  4. mAP（mean Average Precision）：对所有类别的 AP 取平均值。
Precision（精确率）：
- Precision 衡量模型预测的准确性，即模型的正预测结果中有多少是正确的。
- 公式：Precision = TP / (TP + FP)
Recall（召回率）：
- Recall 衡量模型的召回能力，即实际的正样本中有多少被正确识别出来。
- 公式：Recall = TP / (TP + FN)
F1 Score：
- F1 Score 是精确率和召回率的调和平均数，用于平衡这两个指标。它在精确率和召回率之间取得一个平衡。
- 公式：F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
IoU (Intersection over Union)：
- IoU 衡量预测的边界框和真实边界框之间的重叠程度。
- 公式：IoU = (Area of Overlap) / (Area of Union)
- IoU 是计算 TP 和 FP 的基础。通常认为 IoU 大于某个阈值（如0.5）即为 TP，否则为 FP。
FPS (Frames Per Second)：
FPS 衡量模型的推理速度，即每秒能够处理的帧数。对于实时应用（如视频流检测），这是一个重要指标。