【机器学习】TP TN FP FN及IoU的关系

最新推荐文章于 2024-08-21 03:00:00 发布
最新推荐文章于 2024-08-21 03:00:00 发布
阅读量1.7k 收藏 2
点赞数
分类专栏： 机器学习 文章标签： 机器学习
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/qq_29931565/article/details/129318217
版权
  • TP（True Positives）： 真的正样本 = 【正样本 被正确分为 正样本】
  • TN（True Negatives）： 真的负样本 = 【负样本 被正确分为 负样本】
  • FP（False Positives）： 假的正样本 = 【负样本 被错误分为 正样本】
  • FN（False Negatives）：假的负样本 = 【正样本 被错误分为 负样本】
    请添加图片描述
    Precision：预测正确的部分占预测结果的比例
    Precision = TP TP + FP   \text{Precision}=\frac {\text{TP}} {\text{TP}+\text{FP}} \text{ } Precision=TP+FPTP​ 
    Recall：预测正确的部分占GroundTruth的比例
    Recall = TP TP + FN   \text{Recall}=\frac {\text{TP}} {\text{TP}+\text{FN}} \text{ } Recall=TP+FNTP​ 
    IoU：交集与并集的比值
    IoU = TP TP + FP + FN \text{IoU}=\frac{\text{TP}}{\text{TP}+\text{FP}+\text{FN}} IoU=TP+FP+FNTP​请添加图片描述
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 7230
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。
机器学习笔记 - IOU、mAP、ROC、AUC、准确率、召回率、F分数
学以致用 知行合一
03-25 5525
mAP（mean Average Precision）是目标检测中度量识别精度的指标。多个类别目标检测中，每一个类别都可以根据查全率和查准率绘制P-R曲线，横坐标为查全率，纵坐标为查准率。AP就是该曲线下的面积，mAP是多个类别AP的平均值。计算公式如下式中，Q表示目标检测的类别集合；AveP（q）是计算类别下目标的平均准确率。计算mAP时使用联合交集（IoU）。mAP计算过程1、对于每个预测，IoU 是针对图像中的每个地面实况框计算的。
分类精度评价中的TP、TN、FP、FN的理解
qq_46676829的博客
09-14 2305
将样本分为正样本（positive）和负样本(negative)。，用来判断检测框是否为正样本的一个标准。通过与阈值比较来判断是正样本还是负样本。：分类器识别结果错误，分类器认为该样本是正样本；所以实际上该样本是负样本；：分类器识别结果错误，分类器认为该样本是负样本；所以实际上该样本是正样本；，P表示分类器判定为正样本，N表示分类器判定为负样本。：分类器识别正确，分类器认为该样本为正样本；：分类器识别正确，分类器认为该样本为负样本；TP+FP是分类器判定为正样本的总数量。TP、TN、FP、FN中。
TP TN FP FN IOU
cxm4399的博客
07-01 1270
入坑
模型评估时TP、FP、FN、TN之间的具体关系
weixin_65978597的博客
09-12 2759
这些元素可以用来计算各种分类模型的性能指标，如准确率（Accuracy）、精确率（Precision）、召回率（Recall）和 F1 值等。TP、FP、FN、TN是混淆矩阵（Confusion Matrix）中的四个元素，用于评估分类模型的性能，特别是在二分类问题中。TP、FP、FN、TN的含义和重要性在评估分类模型性能时是非常关键的，它们提供了对模型在不同方面的分类结果表现的详细信息。：表示模型将负例错误地预测为正例的数量。：表示模型将负例正确地预测为负例的数量。即模型正确地将真实的负例判断为负例。
【模式识别9】python计算目标检测IoU、TP、FP、FN、Precision、Recall指标
weixin_43387635的博客
05-15 2258
本文介绍了用python计算目标检测中的IoU以及TP、FP、FN、precision、recall等指标的方法和原理。 IoU是交并比，表示预测框和真实框之间的重叠程度，用交集面积除以并集面积得到。 TP、TN、FP、FN分别表示真正例、真负例、假正例和假负例，用于评估分类器的正确性。 Precision是预测为正例的样本中的准确率，Recall是预测正确的正例占所有正例的比例，二者需要综合考虑。 AP是Precision-Recall曲线下方的面积，表示分类器在某个类别上的性能，mAP是所有类别的AP值
目标检测指标（IOU、TP、FP、FN、FP、AP、AR、maxDets等）解释
Galen_xia的博客
08-30 1995
iou、tp、fp、fn、fp、查准率ap、查全率ar
目标检测指标TP、FP、TN、FN和Precision、Recall
ajkdghfa的博客
08-14 8348
目标检测指标TP、FP、TN、FN，Precision、Recall 1. IOU计算 在了解Precision(精确度)、Recall（召回率之前我们需要先了解一下IOU(Intersection over Union，交互比)。交互比是衡量目标检测框和真实框的重合程度，用来判断检测框是否为正样本的一个标准。通过与阈值比较来判断是正样本还是负样本。一般来讲，当预测框和真实框IOU>=0.5时，被认为是正样本。 IOU=SIntersectionSUnion=S2S1+S2+S3 IOU = \fr
cv曲线面积的意义_评价标准专题：常见的TP、TN、FP、FN和PR、ROC曲线到底是什么...
weixin_39918747的博客
10-27 1337
评价标准True positives（TP，真正） : 预测为正，实际为正True negatives（TN，真负）：预测为负，实际为负False positives（FP，假正）: 预测为正，实际为负False negatives（FN，假负）：预测为负，实际为正TPR、FPR和TNRTPR（true positive rate，真正类率，灵敏度，Sensitivity）TPR = TP/(TP...
机器学习理论之mAP 查全率 查准率 IoU ROC PR曲线 F1值
学习中
10-31 475
机器学习理论之mAP 查全率 查准率 IoU ROC PR曲线 F1值
机器学习中关于TP,TN,FP,FN的理解
qq_67002300的博客
09-30 1271
T/F---＞预测值和实际值是否相同 P/N---＞预测结果的正负 那么， TP---＞预测结果是正，实际也是正 TN---＞预测结果是负，实际也是负 FP---＞预测结果是正，实际是负 FN---＞预测结果是负，实际为正
实例分割计算指标TP,FP,FN,F1（附代码）
AllenMa的博客
09-13 6019
基于IOU的F1指标，实例分割
Detection：目标检测常用评价指标的学习总结（IoU、TP、FP、TN、FN、Precision、Recall、F1-score、P-R曲线、AP、mAP、 ROC曲线、TPR、FPR和AUC）
目前涉及领域：目标检测，语义分割以及数字图像处理
11-08 9694
1. 第一部分介绍IoU这个指标的含义和计算方法。 2. 第二部分介绍TP、FP、TN、FN这四个指标的含义，以及在目标检测中的使用方法。 3. 第三部分介绍Accuracy、Precision、Recall、F1-score这四个指标的含义，以及在单类别和多类别下的计算方法。 4. 第四部分介绍P-R曲线、AP和mAP这个三个指标的含义和计算方法。 5. 第五部分介绍ROC曲线和AUC这个两指标的含义和计算方法。 6. 最后还最后还附上了yolov5计算指标代码的部分解释，并举例说明。详情参见附录。
【一文看懂】深度学习中常用的各项评价指标含义TP、FP、TN、FN、Accuracy、Recall、F1、IoU、mIoU
热门推荐
qq_27816785的博客
06-26 1万+
无论是对于图像领域的分类、分割问题，亦或点云领域的物体分类、场景分割，在评价一个模型的好坏时，经常涉及TP、FP、TN、FN、IoU、Accuracy。。。等指标进行衡量，那么这些指标是什么意思呢？我请到了鸭子先生、猴子客人和熊猫管家来给大家亲身示范一下。咦！发现10个可爱的小动物，可是我们不知道是什么动物，要不用深度学习分一下类吧？ 这个时候我们直接掏出训练好的，把这些小动物丢进去，一番等待之后，我们有了以下的预测结果： 很明显，模型并没有非常完美的完成任务。但是如何评价它呢？对某一来讲：T = tru
【有啥问啥】目标检测中的IOU（Intersection over Union）算法是什么？
Chauvin的博客
08-21 1412
IOU，即交并比，是目标检测中用于评估预测边界框与真实边界框重叠程度的重要指标。IOU​。
语义分割任务中的评价指标
记录
10-26 1357
归纳整理全卷积网络（FCN）原论文中提到的语义分割任务中常见的三种评价指标：Pixel Accuracy (Global Acc) 、mean Accuracy 、mean IoU。nijn_{ij}nij​：类别i被预测成类别j的个数nclsn_{cls}ncls​：目标类别个数（包括背景）ti=∑jnijti​=∑j​nij​：目标类别i的总像素个数（真实标签）
【深度学习】——模型评估指标MAP计算&实例计算
python_AI_fans的博客
05-24 5196
目录 理论知识： 推导： 理论知识： 参考up主《睿智的目标检测20——利用mAP计算目标检测精确度》 推导：
根据P(precision)、R（recall）计算F1和iou
向上生长的程序媛的博客
11-17 1万+
一、首先，了解TP 、TN 、FP、 FN的基本概念 TP：被模型预测为正类的正样本（预测正确的正样本） TN：被模型预测为负类的负样本（预测正确的负样本） FP：被模型预测为正类的负样本（预测错误的正样本） FN：被模型预测为负类的正样本（预测错误的负样本） 二、根据TP 、TN 、FP、 FN计算P(precision)、R（recall） precision 计算公式： recall 计算公式： accuracy计算公式： 三、根据P(precision)、R（recal.
图像任务的常见指标计算
weixin_53162487的博客
12-12 1522
图像任务重常用指标计算。
动态物体目标检测fn tn fp tp
最新发布
01-23
### 动态物体目标检测中的混淆矩阵指标 #### 定义与解释 在动态物体目标检测中，混淆矩阵用于衡量模型性能的关键指标包括： - **真阳 (True Positive, TP)**：当实际存在目标物时，模型成功识别为目标物的数量。这表明模型能够正确地发现并标记出存在的对象[^3]。 - **假阴 (False Negative, FN)**：实际上有目标物存在但是被错误地标记为背景或未检出的情况。这意味着一些真正的目标未能被捕获到。 - **假阳 (False Positive, FP)**：无实际目标的情况下却被误判为目标的情形。即不存在的目标被错误地认为是目标物[^4]。 - **真阴 (True Negative, TN)**：确实没有目标而也被正确判定为非目标区域的部分。这是指那些本应为空的地方确实被认为是空白的案例。 这些术语构成了二元分类的基础概念框架，在多类别或多标签场景下可以进一步扩展应用。 #### 计算方法 对于每一个预测框和对应的地面实况（ground truth），通过设定IoU阈值来决定匹配关系，并据此统计上述四个量的具体数值。具体过程如下所示： 1. 对于每一对预测结果和真实标注之间的交集面积除以其联合覆盖总面积得到交并比(IoU)，如果该比率大于预设阈值，则视为一次成功的检测； 2. 如果某个真实的边界框没有任何与其关联度超过给定 IoU 的预测框，则此实例计作FN；反之如果有多个预测框都满足条件则只选最佳者其余均作为FP处理； 3. 当一个预测框找不到任何符合条件的真实实体对应它自己就会成为FP的一部分；同样地，所有不属于任何一个有效预测范围内的空间位置都将贡献至TN集合内[^1]。 ```python def calculate_confusion_matrix(ground_truths, predictions, iou_threshold=0.5): tp = fp = fn = tn = 0 matched_predictions = set() for gt_bbox in ground_truths: best_iou = 0 match_pred_id = None for pred_id, pred_bbox in enumerate(predictions): current_iou = compute_iou(gt_bbox, pred_bbox) if current_iou >= iou_threshold and current_iou > best_iou: best_iou = current_iou match_pred_id = pred_id if match_pred_id is not None: tp += 1 matched_predictions.add(match_pred_id) else: fn += 1 # Count unmatched predictions as false positives fp += len([pred for idx, pred in enumerate(predictions) if idx not in matched_predictions]) # Assuming the entire image area minus GT areas represents true negatives. total_image_area = ... # Define based on your dataset/image size gt_areas_sum = sum(compute_area(bbox) for bbox in ground_truths) tn = max(total_image_area - gt_areas_sum, 0) return {'TP': tp, 'FP': fp, 'FN': fn, 'TN': tn} ``` 这段代码展示了如何基于两个列表——`ground_truths` 和 `predictions` 来构建混淆矩阵的各项统计数据。注意这里的实现假设图像中除了已知的目标外其他部分均为负样本，因此可以通过减去所有正样本占据的空间大小估算总的真阴数量[^2]。
评论 1
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

Quentin_HIT

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