TP TN FP FN目标检测评估指标

已于 2023-02-07 10:28:34 修改
阅读量700 收藏 1
点赞数
分类专栏： 人工智能 文章标签： TP FP TN FN
于 2021-05-18 22:36:30 首次发布
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_38784454/article/details/117002621
版权
人工智能 专栏收录该内容
82 篇文章 51 订阅 ¥59.90 ¥99.00
订阅专栏
本文介绍了目标检测中常用的评估指标，包括TP（真正例）、TN（真负例）、FP（假正例）和FN（假负例），以及基于这些指标的Precision（精度）、Recall（召回率）、IoU（交并比）和AP（平均精度）。还详细阐述了如何计算AP，并解释了mIoU和mAP的概念。
摘要由CSDN通过智能技术生成

1. TP TN FP FN
                                                              GroundTruth                 预测结果

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】


2. Precision（精度）和 Recall（召回率）
             即  预测正确的部分  占     预测结果     的比例

                   即  预测正确的部分  占  GroundTruth  的比例

3. IoU（Intersection over Union）

4. AP
(1) 找出  预测结果  中  TP（正确的正样本）  和  FP（误分为正样本）  的检测框

了解本专栏 订阅专栏 解锁全文
苏打水的杯子
关注
专栏目录
订阅专栏
【模型评估】混淆矩阵（confusion_matrix）之 TP、FP、TN、FN；敏感度、特异度、准确率、精确率
钱多多先森
06-08 8093
对基于固定阈值的混淆矩阵进行了详尽的介绍和代码展示，包括依次引申出来的各个评价指标
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。
最新发布
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 5786
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。
TP, TN, FP FN
skyfengye的博客
04-23 7875
表示分类正确：True Positive(TP)：本来是正样例，分类成正样例。True Negative(TN)：本来是负样例，分类成负样例。表示分类错误：False Positive (FP)：本来是负样例，分类成正样例，通常叫误报。False Negative(FN)：本来是正样例，分类成负样例，通常叫漏报。 score值 即各个样本属于正例的概率 Dice Similarity Co...
分类评价指标：TP、TN、FP、FN、Recall，以及人脸识别评价指标TAR、FAR、FRR
求真、务实
11-09 1万+
#人脸识别数据集来源 ##pg和pn图片列表生成 1、测试数据集划分： （用于佳都和商汤测试对比：魏梦给我的原始测试数据和代码路径230服务器： /storage_server1/workspace/weimeng/for_shl/jiadu_test） 代码来源（用于佳都和商汤测试结果对比中生成的测试列表）： 230服务器：/home/suihl/project/processing_dataset/for_shl/jiadu_test/testlist import os import badu i
TP、TN、FP、FN
平平淡淡，戒急用忍，一生学闭嘴。
10-09 1722
True Positive （真正, TP）被模型预测为正的正样本； True Negative（真负 , TN）被模型预测为负的负样本 ； False Positive （假正, FP）被模型预测为正的负样本； False Negative（假负 , FN）被模型预测为负的正样本； True Positive Rate（真正率 , TPR）或灵敏度（sensitivity） TPR = T...
TP FP TN FN
lwq1026的博客
11-02 1254
转自： 作者：Charles Xiao 链接：https://www.zhihu.com/question/19645541/answer/91694636 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 纠正下，精确率(precision)和准确率(accuracy)是不一样的，题主问的应该是精确率与召回率之间的差别。 一
目标检测指标TP、FP、TN、FN和Precision、Recall
ajkdghfa的博客
08-14 8265
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
图像分割质量得分：让您评估图像分割质量得分，例如TP，FP，TN，FN，准确度，灵敏度，精度，MCC，骰子，Jaccard-matlab开发
05-28
图像分割质量得分让您评估图像分割质量得分，例如TP，FP，TN，FN，准确度，灵敏度，精度，MCC，Dice，Jaccard =============================================== Dang NH Thanh版权所有2019。 电子邮件：thanh.dnh....
多分类中TP/TN/FP/FN的计算
热门推荐
Hello_Chan的博客
09-19 1万+
TP: True Positive FN: False Negative FP: False Positive TN: True Negative 二分类任务中的TP/TN/FP/FN容易理解和求取，但实际中常常需要通过求多分类任务中某类别的TP/TN/FP/FN进而计算其他参数，如recall，precision，f1-score，TPR，TNR等等。本文主要讲解根据混淆矩阵计算TP/TN/FP/FN。 在多分类任务中，各类别的TP/TN/FP/FN计算可由下图概括： 为了方便理解，举个例子说明。 假设
TP　TN　FP　FN含义
weixin_44196792的博客
07-08 1740
FN：False Negative,被判定为负样本，但事实上是正样本。 FP：False Positive,被判定为正样本，但事实上是负样本。 TN：True Negative,被判定为负样本，事实上也是负样本。 TP：True Positive,被判定为正样本，事实上也是证样本。 这里的正样本和负样本与检索的关系就是：你认为为正样本的应该都出现在检索结果中，而你认为为负样本的应该不出现在检索结果...
TP、TN、FP、FN白话解析，看这一篇就够了
Java_Web_Android的博客
11-27 4905
TP、TN、FP、FN通俗易懂 白话理解
TP、TN、FP、FN解析
qq_42393060的博客
02-27 2765
FN：False Negative,被判定为负样本，但事实上是正样本。 FP：False Positive,被判定为正样本，但事实上是负样本。 TN：True Negative,被判定为负样本，事实上也是负样本。 TP：True Positive,被判定为正样本，事实上也是正样本。 #评估标准 1、准确率：被分对的样本比例 ACC = （ TP + TN ）/ （TP + TN + FP + FN ） 2、错误率：被分错的样本比例 ERR = （ FP + FN ）/ （TP + T...
论文中的FN FP TN TP
JANESTAR的专栏
10-29 6361
【转】FN,FP, TN, TP等 转自http://hi.baidu.com/penghouwen/item/5615d9ac379254a229ce9db5   首先这几个术语会高频率得出现在论文的实验部分，它是对实验结果的描述，首先我想先解释这几个缩写的含义： precesion：查准率，即在检索后返回的结果中，真正正确的个数占整个结果的比例。 recall：查全率，即在检索结
【深度学习】【机器学习】分类结果分析指标和方法（混淆矩阵、TP、TN、FP、FN、精确率、召回率）（附源码）
专注于计算机视觉、目标检测、目标跟踪等方向
05-08 8987
模型分类效果主要是通过计算混淆矩阵已经准确率、召回率和F Score来分析，下面对以上指标进行详细的介绍。
通俗理解TP、FP、TN、FN
xkx_07_10的博客
09-19 399
F1分数（F1-Score）：2 * (Precision * Recall) / (Precision + Recall) = 2 * (0.5455 * 0.2727) / (0.5455 + 0.2727) ≈ 0.3636 (约为0.36)准确率（Accuracy）：(TP + TN) / (TP + TN + FP + FN) = (12 + 16) / (12 + 16 + 10 + 32) = 28 / 70 ≈ 0.4。TP（真正例）：实际标签为1，模型预测为1的数量。
机器学习评价指标合辑(TP/FP/FN/TN/Precision/Recall/F1score/P-R曲线/ROC曲线/AUC)
公众号/知乎: AI算法札记，欢迎关注交流
03-24 1万+
我们训练模型时需要用到各种评价指标，网上很多人的总结要么太凌乱，甚至还有错误，总结一下各种常用的评价指标，以备使用时查阅，如有错误欢迎指出。 1.分类准确率 分类正确的样本占总样本个数的比例。 2.TP/FP/FN/TN 1）True positive(TP): 真正例，将正类正确预测为正类数； 2）False positive(FP): 假正例，将负类错误预测为正类数； 3）Fa...
TP，FP，TN，FN，FAR，FRR，HTER等常见实验指标理解
weixin_42363544的博客
03-21 1万+
一、TP，TN，FP，FN 前面的字母表示这次预测的结果是正确还是错误（T就是预测结果是对的，F就是预测结果是错误的），后面的字母表示这次预测结果（P就是预测的结果是正类，N就是预测的结果为负类）。 比如TP，表面意思是正确（True）的正例（Positive），即标签是x，预测也是x（P和N表示两种类别），全称叫True Positive，其它三个同理。 TP：被模型预测为正类的正样本（原本是正样本，预测为正样本） TN：被模型预测为负类的负样本（原本是负样本，预......
python 两个图像的tp tn fp fn
05-31
在Python中，可以使用sklearn.metrics库中的confusion_matrix函数来计算TP、TN、FP、FN。示例代码如下： ```python from sklearn.metrics import confusion_matrix y_true = [0, 1, 0, 1, 1] # 实际标签 y_pred = [1, 1, 0, 1, 0] # 预测标签 tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel() print(f"TP = {tp}, TN = {tn}, FP = {fp}, FN = {fn}") ``` 输出结果为：TP = 2, TN = 1, FP = 1, FN = 1。
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

打赏作者

苏打水的杯子

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