深度学习-目标检测的性能度量 reall ，precision P-R曲线，AP mAP

最新推荐文章于 2023-12-17 20:24:06 发布
最新推荐文章于 2023-12-17 20:24:06 发布
阅读量1.2k 收藏 5
点赞数 2
分类专栏： 目标检测算法 文章标签： Map P-R 目标检测 深度学习/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_35046132/article/details/90580109
版权
本文介绍了深度学习目标检测中的关键性能度量，包括真阳性（TP）、假阳性（FP）、假阴性（FN）和真阴性（TN）。详细阐述了精确率（Precision）和召回率（Recall）的概念，并解释了它们之间的权衡关系。同时，解析了P-R曲线的生成过程及其在确定平均精度（AP）和mAP中的作用。最后，给出了代码链接以帮助读者深入理解。
摘要由CSDN通过智能技术生成

基本概念

现在我们假设分类的目标有两类，一种是正例（Positive），另一种是负例（Negtive）。因此根据真实样例与预测样例的结果进行对比，我们可以如下表设计

真实情况 预测时正例 假例
gt正例 TP FN
假例 FP TN

1）True positives(TP):  被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）

2）False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；

3）False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分

最低0.47元/天 解锁文章
object detection
关注
  • 2
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
fw_reall61_freeway_vanet_
09-30
标题“fw_reall61_freeway_vanet_”暗示我们正在探讨的是一个与 VANET（Vehicular Ad-hoc Networks）相关的项目，具体聚焦在高速公路（freeway）的移动模型上。VANET是一种特殊的移动自组织网络，主要用于车辆间的...
目标检测模型的几个指标
最新发布
qq_52832321的博客
03-08 3468
F1得分是一个综合了精确率（precision）和召回率（recall）的指标，其计算公式是2 * (精确率 * 召回率) / (精确率 + 召回率)，值范围在0~1之间，取值越大则模型性能越好。精确率（Precision）: Precision 是正确预测为正的样本（TP）占预测为正的总样本（TP+FP）的比例。召回率（Recall）: Recall 是正确预测为正的样本（TP）占实际为正的总样本（TP+FN）的比例。也就是，这些样本是正类，模型预测为正类。也就是，这些样本是负类，模型预测为负类。
【机器学习】yolov5训练结果分析
热门推荐
qq_44878985的博客
03-25 2万+
yolov5模型训练后的结果会保存到当前目录下的run文件夹下里面的train中下面对训练结果做出分析。
YOLOV5-小白实现从数据标注到模型推理，究极详细，不会你捶我
ljh894934967的博客
12-15 2421
小白都能学会的目标检测
[YOLOv8] 缺陷检测之如何读懂训练结果及评估模型训练的效果（含具体例子）
老狼工作室的博客
12-17 8224
本文主要介绍如何理解YOLOv8生成的训练结果中的每个文件的意义.
机器学习之评价指标（accuracy,precision,recall等）
qq_39223444的博客
04-01 4163
1.模型评价指标
D1-D5 CFT的超对称微状态几何的准正规模式
03-27
我们重新研究一类三电荷超对称微状态几何的探针... 频谱包括Eperon，Reall和Santos指出的慢衰减模式。 我们通过研究标量波函数来详细分析准正规模的性质。 我们表明，这些模式对应于从AdS喉咙到无穷远的激励缓慢泄漏。
really-awesome-gan, 关于生成竞争性( 神经网络) 网络的论文列表.zip
09-17
really-awesome-gan, 关于生成竞争性( 神经网络) 网络的论文列表 really-awesome-gan生成对抗性( 神经网络) 网络的论文和其他资源列表。 这个网站由 Holger Caesar维护。 请与我联系，或者访问 it-... 还要签出 reall
关于4D规范超重力中的量子熵函数
03-23
示例包括M理论中的渐近AdS4×S7 Cacciatori-Klemm黑洞[2]以及IIB类型的Gutowski-Reall黑洞[3]和Benini-Bobev黑弦[4]的渐近AdS5×S5推广。 作为最近构造的大规模IIA型渐近AdS4×S6解决方案[5，6]。 对于这些示例中的...
YOLO入门day3
m0_45056394的博客
07-23 2584
矩阵的每一行代表实际的类别，而每一列代表预测的类别，上图为例，只区分0或者1，行代表真实的类别，列代表预测的类别，白话一点的意思差不多就是，左上角和右下角属于真实类别和预测类别相吻合的实例区域，而其他区域都出现了预测错误的实例，从这个角度来看结果还是可以的？同样以第一行为例，真实的标签是猫猫，但是在这十个猫猫中有一个被误分类为狗，一个被误分类为羊，我们就可以很容易的计算出猫的分类正确率为80%，也可以很直观的看出有那些类别容易存在误识别。AP值的大小等于P-R曲线与坐标轴围成区域的面积。.........
评估指标 -- Precision(查准率), Recall(查全率)和F1 score; PR曲线和mAP; ROC曲线和AUC
赤道6号转向发动机的博客
05-23 3663
Precision, Recall 和 F1 score Precision – 查准率、精确率 Recall – 查全率、召回率 查准率和查全率是互相影响的，理想情况是希望两者都高，但是一般情况下查准率高、查全率就低，查全率高、查准率就低. 如果是做搜索，那就是保证查全的情况下提升查准率；如果做疾病监测、反垃圾，则是保证查准的条件下，提升查全率。 为了衡量在某一阈值下P和R的综合结果, 采用指...
机器学习：目标检测为例，作出Precision-Recall曲线
qq_53951219的博客
10-19 3384
P-R曲线
目标检测评价指标Precision、Recall、mAP
weixin_45453121的博客
04-05 1957
目标检测评估指标
机器学习分类模型评价指标之Accuracy、Precision、Recall、F-Score、P-R Curve、AUC、AP 和 mAP
博观约取，厚积薄发
11-21 6720
本文旨在说明其他机器学习模型的评价指标。
理解目标检测的衡量指标mAP
qq_37199669的博客
09-22 600
文章目录一、IOU二、TP、TN、FP、FN三、precision and recall四、AP 一、IOU 计算anchor box与true box的交集/并集。得到该anchor box的置信度。如果人为设定一个阈值c，那么置信度大于等于c的是positive box，否则为nagative box。 二、TP、TN、FP、FN T代表True，F代表false，P代表positive，N代表nagative TP：检测器认为这是positive box且检测结果是正确的 TN：检测器认为这是naga
ROC曲线 vs Precision-Recall曲线
Blankit1的博客
12-20 413
ROC曲线 vs Precision-Recall曲线 ROC： TPR - FPR PR曲线：Precision - Recall ROC曲线的优势 　　ROC曲线有个很好的特性：当测试集中的正负样本的数量变化的时候，ROC曲线能够保持稳定 　　TPR=TPTP+FNTPR = \frac{TP} {TP+FN}TPR=TP+FNTP​,与下图的左半部分，即与正样本相关。 　　FPR=FPFP+TNFPR = \frac{FP} {FP+TN}FPR=FP+TNFP​,与下图的右半部分，即与负样本
【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 8025
【计算机视觉 | 目标检测】术语理解3：Precision、Recall、F1-score、mAP、IoU 和 AP
机器学习性能度量指标（precision、recall、PR曲线、F1、ROC、AUC、IOU、mAP）
xhj_enen的博客
03-18 1万+
1、precision、recall、PR curve、F1 在信息检索等任务中，我们经常会关心“检索出的信息中有多少比例是用户感兴趣的”以及“用户感兴趣的信息中有多少被检索出来了”。precision（查准率）与recall（查全率）就是此类需求的性能度量指标。 对于一个二分类问题，我们可以根据模型的分类结果将其分为四类：TP、FP、TN、FN 则查准率与查全率的定义分别为： precisio...
%% 寻找原始数据位置 [order,location1]=sort(data(:,1),'ascend'); [~,location2]=sort(location1,'ascend'); [order_1,location_1]=sort(data(:,3),'ascend'); [order_2,location_2]=sort(data(:,5),'ascend'); %% pre_1=data(location_1,4); % pre_1=pre_1(location2); reall_1=order_1(location2); pre_2=data(location_2,6); % pre_2=pre_2(location2); % reall_2=order_2(location2); zhijie=data(location1,2); %% figure plot(zhijie ,order,'db','LineWidth',1) hold on plot(pre_1,order,'sc','LineWidth',1) hold on plot(pre_2 ,order,'om','LineWidth',1) hold on plot([0 160],[0 160],'--k','LineWidth',1) set(gca,'fontsize',18) xlabel('\fontname{Times New Roman}Predicted value\fontname{Times New Roman}/MW','FontWeight','bold','FontSize',18,'LineWidth',0.5) ylabel('\fontname{Times New Roman}Actual value\fontname{Times New Roman}/MW','FontWeight','bold','FontSize',18,'LineWidth',0.5) label=legend('\fontname{Times New Roman}None cluster','\fontname{Times New Roman}First cluster','\fontname{Times New Roman}Second cluster','location','best'); set(label,'Fontname', 'Times New Roman','FontWeight','bold','FontSize',18,'LineWidth',0.5) set(gca,'FontName','Times New Roman','linewidth',1.8) set(gca, 'box', 'off') set(gca,'LooseInset',get(gca,'TightInset'))
07-14
这部分代码是用于绘制预测值和实际值之间的对比图。首先，你根据原始数据的第一列对数据进行排序，并获得排序后的位置信息。然后，你根据位置信息重新排序预测值和真实值，并将它们存储在`pre_1`、`reall_1`、`pre_2`和`zhijie`中。 接下来，你使用`figure`创建一个新的图形窗口，并使用`plot`绘制了真实值与预测值之间的对比曲线。其中，蓝色的点代表原始数据，紫色的点代表一次聚类结果，橙色的点代表二次聚类结果。虚线表示理想情况下预测值和真实值完全一致的情况。 最后，你使用`xlabel`、`ylabel`、`legend`等函数设置了坐标轴标签和图例，并对图形进行了一些样式设置。
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