目标检测（二）——评价指标

最新推荐文章于 2024-07-29 09:11:11 发布
最新推荐文章于 2024-07-29 09:11:11 发布
阅读量1.4w 收藏 91
点赞数 4
分类专栏： 目标检测 文章标签： 目标检测 评价指标
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_35451572/article/details/80272968
版权

在进行目标目标检测之前，需要了解一下目标检测中常使用的评价指标，这样能够更好地帮着我们了解模型的实用性。

文章目录

TP、FP、TN、FN、Recall、Precision

这里写图片描述

符号含义
TP(true positive)实际是正例，预测为正例
FP(false positive)实际为负例，预测为正例
TN(true negative)实际为负例，预测为负例
FN(false negative)实际为正例，预测为负例

召回率(Recall) = 系统检索到的相关文件 / 系统所有相关的文件总数
准确率(Precision) = 系统检索到的相关文件 / 系统所有检索到的文件总数
具体召回率以及准确率能够从上边的图中明显看出区别。

TPR、TFR、FPR、FNR

在这里插入图片描述

符号含义
TPR(true positive rate)真正率又称为：灵敏度(sensitivity)
TFR(true negative rate)真负率又称为：特指度(specificity)
FNR(flase negative rate)假负率又称为：虚警率(False Alarm)
FPR(false positive rate)假正率

AP、mAP、P-R曲线

这里写图片描述

准确率-召回率曲线（P-R曲线）：以召回率为横坐标，精确率为纵坐标，用不同的阀值，统计出一组不同阀值下的精确率和召回率。

这里写图片描述

AP(average precision)——P-R曲线下的面积；
mAP(mean average precision)——多个类别AP的平均值。

ROC曲线、AUC

这里写图片描述
ROC曲线：用不同的阀值，统计出一组不同阀值下的TPR（真阳率）和FPR（假阳率）的关系。
AUC(Area Under Curve)：ROC曲线下的面积。
ROC曲线优点：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反），而且测试数据中的正负样本的分布也可能随着时间变化。

IOU

这里写图片描述

IOU(Intersection over Union)：是一种测量在特定数据集中检测相应物体准确度的一个标准，一般来说，这个score ＞ 0.5 就可以被认为一个不错的结果了。

Fps、FLOPS

这里写图片描述

Fps (Frames Per Second)：每秒处理图像的帧数
FLOPS：每秒浮点运算次数、每秒峰值速度

GOPS

10亿次/每秒是衡量处理器计算能力的指标单位。

简称全称每秒运算次数
MFLOPSmegaFLOPS10^6
GFLOPSgigaFLOPS10^9
TFLOPSteraFLOPS10^12
PFLOPSpetaFLOPS10^15
EFLOPSexaFLOPS10^18
泉伟
关注
专栏目录
精选目标检测2——mAP的概念
cv君的博客
03-20 2万+
文章目录学习前言什么是TP、TN、FP、FN什么是Precision和Recall什么是mAP 学习前言 在Github上我们可以看到许多模型，他们都有mAP值的评价指标，如下图所示： 这到底是个啥呢？我查了好久的资料…… 什么是TP、TN、FP、FN TP的英文全称为True Positives，其指的是被分配为正样本，而且分配对了的样本，代表的是被正确分类的正样本，。 TN的英文全称为，其指的是被分配为负样本，而且分配对了的样本，代表的是被正确分类的负样本。 FP的英文全称为False Positi
目标检测中的常见评价指标
m0_63520910的博客
04-26 2565
一、 IOU 二、NMS 三、AP 四、mAP 五、mMP 六、mAR 目标检测中NMS（非极大抑制）的概念理解_花花少年的博客-CSDN博客_nms
目标检测评价指标
10-29
目标检测 评价指标 目标检测 评价指标目标检测 评价指标 目标检测 评价指标
了解目标检测：两阶段检测（Two-Stage Detection）、单阶段检测（Single-Stage Detection）和区域建议网络（RPN）
最新发布
fydw_715的博客
07-29 1322
在两阶段检测中：RPN作为生成候选区域的关键组件，通过滑动窗口和锚点机制在特征图上生成高可能包含目标的候选区域。随后这些区域被进一步分类和调整，以提高检测精度。在单阶段检测中：没有RPN，直接在图像或特征图上进行预测。这减少了计算复杂度，但可能牺牲了一些细粒度的检测精度。Faster R-CNN：约100-200毫秒/图像YOLOv3：约22毫秒/图像Mask R-CNN：约200-300毫秒/图像YOLOv4：约30毫秒/图像Cascade R-CNN：约150-250毫秒/图像。
目标检测一些常用的评价指标
热门推荐
linchunmian的博客
03-21 1万+
最近在赶一篇关于路面标线检测的论文，博文的更新暂停了一段时间。在论文中需要定量地分析目标检测算法的优劣，特在此总结一些常用的评价指标。1. PR曲线(Precision&Recall)首先需要了解几个概念。True positive(TP): 预测为positive ground truth为TrueTrue negative(TN): 预测为positive 但ground truth ...
计算机视觉相关的评价指标
h1yupyp的专栏
06-28 5524
目录：一：准确率 （Accuracy） 、错误率 （Error rate）二：混淆矩阵 （Confusion Matrix）三：召回率（Recall）、精确率（Precision）四： P-R曲线、平均精度（Average-Precision，AP）、F指标五：受试者工作特征曲线（Receiver OperatingCharacteristic，ROC）、AUC（Area Under Curve）...
目标检测性能评价指标（mAP、IOU..）
weixin_42279760的博客
09-08 2713
一、mAP 　　这里首先介绍几个常见的模型评价术语，现在假设我们的分类目标只有两类，计为正例（positive）和负例（negtive）分别是： 　　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；...
[Algorithm] 机器学习算法常用指标总结
weixin_34370347的博客
04-10 542
　　考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被 预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True negative）,正类被预测成负类则为假负类（false n...
目标检测 — 评价指标
dbsggal90047018的博客
05-22 3500
　　评价指标： 　　准确率 （Accuracy），混淆矩阵 （Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交除并（IoU），ROC + AUC，非极大值抑制（NMS）。 1、准确率 （Accuracy） 　　分对的样本数除以所有的样本数 ，即：准确（分类）率 =...
目标检测的评价指标
ndmmbd的博客
11-19 501
    本文通过实例介绍目标检测的评价指标，参考的网页有以下： https://blog.csdn.net/eddy_zheng/article/details/52126641 https://blog.csdn.net/lanchunhui/article/details/71190055 1. intersection-over-union （ IOU ）交除并 在目标检测的评价...
ner 评估指标_目标检测（二）——评价指标
weixin_39563827的博客
12-19 637
目标检测(二)——评价指标发布时间：2018-05-10 20:12,浏览次数：823在进行目标目标检测之前，需要了解一下目标检测中常使用的评价指标，这样能够更好地帮着我们了解模型的实用性。文章目录* TP、FP、TN、FN、Recall、Precision* TPR、TFR、FPR、FNR* AP、mAP、P-R曲线* ROC曲线、AUC* IOU* Fps、FLOPS* GOPS<&gt...
目标检测模型的评价指标 mAP
黑暗星球
09-02 7732
在使用机器学习解决实际问题时，通常有很多模型可用。每个模型都有自己的怪癖（quirks），并且基于各种因素，性能会有所不同。 模型性能的评定都是在某个数据集上进行的，通常这个数据集被称为 “validation 或 test” 数据集。模型性能的评价常用的指标有：accuracy、precision、recall等。这些指标的选择需要根据应用场景具体而定。对于特定应用，使用合适的评价指标来客观地...
无人机目标检测——测试集drone_test-500.zip
12-25
4. 使用标准的评价指标，如平均精度（mAP）或IOU（Intersection over Union），对比预测结果和实际标签来评估模型性能。 5. 根据评估结果调整模型参数，优化模型性能，如果必要的话，可以继续训练模型。 总的来说，...
机器学习算法评估指标——3D目标检测
格物钛智能科技作为非结构化数据赋能专家，为企业及AI开发者提供全新的智能时代数据管理方案，以数据引擎为核心技术，打造下一代数据平台，解决非结构化数据难发现、难管理、难利用等痛点，帮助企业筑牢新基建底层，实现海量复杂数据的灵活存取用，助推AI工程化和数据资产
06-01 6604
在真实的三维世界中，物体都是有三维形状的，许多应用都需要有目标物体的长宽高还有偏转角等信息。以自动驾驶为例，在自动驾驶场景下，需要从图像中提供目标物体三维大小及旋转角度等指标，鸟瞰投影的信息对于后续的路径规划和控制具有至关重要的作用。我们将使用RGB图像、RGB-D深度图像和激光点云，输出物体类别及在三维空间中的长宽高、旋转角等信息的检测称为3D目标检测。 多类别目标的检测问题可以转换为“某类物体检测正确、检测错误”的二分类问题，从而可以构造混淆矩阵，使用目标分类的一系列指标评估模型精度，例如：使用P..
MTK AI算力安卓主板/安卓智能模块开发
yangyang__z的博客
08-06 1512
MTK AI算力安卓主板/安卓智能模块开发
高性能计算基础术语
GIS爱好者的博客
08-08 837
梳理出高性能计算相关术语描述。
混淆矩阵、错误率、正确率、精确度、召回率、F1值、PR曲线、ROC曲线、AUC
liupc的学习笔记
07-16 6348
点击此处返回总目录 一、混淆矩阵 二、错误率、正确率 三、精确度、召回率 ...
【小知识】目标检测各类指标概念总结
capsule的博客
01-19 4086
目标检测论文中出现过很多容易混淆的评价指标，比如，包括最基本的AP、mAP这些定义，索性将这些基本概念搞清楚，做个总结。
目标检测-常用评价指标
张飞飞的博客
10-25 492
在网络模型定义好后加入以下代码即可完成对参数量的计算。
yolov5目标检测的评价指标
07-28
yolov5目标检测的评价指标包括IOU（Intersection over Union）、box_loss、obj_loss、cls_loss、Precision、Recall和mAP@0.5 & mAP@0.5:0.95。其中，IOU是指预测框与真实框的交并比，用于衡量预测框的准确性。box_loss是GIoU损失函数的均值，用于评估预测框的准确性，值越小表示预测框越准确。obj_loss是目标检测的损失函数的均值，用于评估目标检测的准确性，值越小表示目标检测越准确。cls_loss是分类的损失函数的均值，用于评估分类的准确性，值越小表示分类越准确。Precision是精度，表示找对的正类占所有找到的正类的比例。Recall是召回率，表示找对的正类占所有本应该被找对的正类的比例。mAP@0.5 & mAP@0.5:0.95是平均精度，用Precision和Recall作为两轴作图后围成的面积，表示模型的综合性能。\[2\]在训练过程中，一般会观察精度和召回率的波动情况，波动不大则表示训练效果较好。同时，还会观察mAP@0.5 & mAP@0.5:0.95来评价训练结果的好坏。\[2\] #### 引用[.reference_title] - *1* *2* *3* [深度学习评估指标之目标检测——（yolov5 可视化训练结果以及result.txt解析）](https://blog.csdn.net/qq_41627642/article/details/126578865)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论 8
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