目标检测网络的常见评价指标

已于 2022-06-17 15:15:02 修改
阅读量3.8k 收藏 27
点赞数 4
文章标签： 目标检测 人工智能 计算机视觉
于 2022-05-09 16:26:12 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_42542582/article/details/124665622
版权
本文介绍了目标检测中的关键评价指标，包括召回率（查全率）、精度（查准率）和平均精度均值（mAP）。通过实例解释了这些指标的计算方式，并探讨了在不同应用场景中如何根据需求平衡精度和召回率。此外，提到了F1分数作为综合评估网络性能的指标。
摘要由CSDN通过智能技术生成

声明：原视频链接https://www.bilibili.com/video/BV13k4y1m7DY?spm_id_from=333.880.my_history.page.click

下面是我的笔记，截图均来自原视频。

举例说明：单类物体检测时，以人脸检测为例。如图

绿色实线和虚线框：人脸的真实标注

红色的实线框和虚线框：算法的检测结果

框左上角的红色数字：结果为人脸的概率

从图中我们可以得到以下信息：

算法检测出的人脸个数为：5个（红框）

人脸的真实标注个数为：5个（绿框）

算法检测正确的人脸个数：4个（红绿框重合）

算法虚检：1个（红虚框）

算法漏检：1个（绿虚框）

以上是评价指标的准备工作，下面正式开始。

1.召回率（recall rate）又名查全率

查全率 =    算法检测正确的个数\frac{}{}

最低0.47元/天 解锁文章
QTBAR (:
关注
  • 4
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
100.目标检测的性能评价指标1
08-03
目标检测的性能评价指标1” 【描述】：“理解目标检测的性能指标对于评估和优化模型至关重要。常见的评价标准包括平均精度均值（mAP）和速度指标（如FPS）。mAP是衡量检测器准确性的核心指标，而速度指标则关注算法...
【目标检测】相关指标的引入与解析
deepsprings的博客
04-26 1389
目标检测之相关指标介绍 前言： 该篇为【目标检测】系列博文的开篇，也作为自己目标检测入门学习的总结和督促。内容主要是定性地介绍一些目标检测中常见术语和相关指标。 其中，术语和指标包括但不限于：标准框(Ground-truth bounding box)，混淆矩阵(Confusion Matrix)，交并比(Intersection over Union, IoU)，非极大值抑制(Non-Maximum Compression, NMS), 置信度，真阳性(True Positive, TP)，假阳性(Fa
目标检测 2021 /11/20
啥也不会的博客
11-22 3493
文章目录 目标检测定义 在图片中对可变数量的目标进行查找和分类 目标检测存在的三个难点 目标种类与数量问题(人群的稠密与稀疏) 目标尺度问题(行人远近的问题) 外界环境干扰问题(光照的变化，遮挡，图像的质量) 行人的移动 目标检测 vs 图像分类 目标检测：用不同的矩形框选出不同的物体，矩形框上的数字代表该物体的可信度。 图像分类：把相同的图片分成不同的类别。 目标检测，图像处理是计算机视觉基础的内容，后续会有目标跟踪，譬如：多目标跟踪，单目标跟踪等。 目标分割
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）
fydw_715的博客
07-29 1234
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。
目标检测中的常见指标
qq_42958831的博客
11-23 3563
TP、TN、FP、FN。
YOLOv5相关基础概念通俗解释
qq_40761320的博客
12-02 8371
IoU IoU(Intersection over Union)，即交并比，是目标检测中常见的评价标准，主要是衡量模型生成的bounding box和ground truth box之间的重叠程度，计算公式为： Baseline 基线(Baseline)：被用为对比模型表现参考点的简单模型。基线帮助模型开发者量化模型在特定问题上的预期表现。 GT box ground truth 红色的框是使用selective search提取出的region proposal，绿色的框是ground t
yolov5目标框预测
热门推荐
白起
11-06 3万+
yolov5目标检测模型中，对模型结构的描述较多，也容易理解。但对如何获得目标预测方面描述较少，或总感觉云山雾罩搞不清楚。最近查阅一些资料，并加上运行yolov5程序的感受，总结一下对目标特征参数的预测方法，记录如下。 1 yolov5框架结构 图x-1 yolov5模型框架 图x-1借用江大白的图，做了少许修改，以适应本博文的描述，其细节请看江大佬的文章。此处说明，输入图像为1280x720，根据边长需被32整除，resize为1280x736，在以下的描述中，对应tensor的顺序，输入图像为736x
目标检测中常见指标
MengHao的博客
03-19 4982
首先给出一幅图： 图中绿色部分为人工标注的Ground Truth边界框，红色部分为模型预测的Bounding Box边界框。 那么自然就会存在一个问题： 目标检测怎样才算正确？ IoU大于指定阈值？ 类别判断正确？ cofidence大于指定阈值？ 下面开始介绍上面的问题所涉及到的概念。 ...
伪装目标检测评价指标代码及数据集下载链接.zip
最新发布
09-05
目标检测（Object Detection）是计算机视觉领域的一个核心问题，其主要任务是找出图像中所有感兴趣的目标（物体），并确定它们的类别和位置。以下是对目标检测的详细阐述： 一、基本概念 目标检测的任务是解决“在...
AI系统量化评价-模型评估方法、网络评价指标
02-03
本文将详细探讨模型评估方法、目标检测评估、目标跟踪评估及其相关的网络评价指标。 1. **模型评估方法** - **偏差与方差分析**：偏差和方差是评估模型性能的两个核心概念。偏差是指模型的预测结果与真实值之间的...
苹果缺陷的目标检测数据集
11-13
常见的目标检测算法包括经典方法如Viola-Jones人脸检测和现代深度学习方法如YOLO（You Only Look Once）、Faster R-CNN（快速区域卷积网络）和Mask R-CNN。 在本数据集中，每个苹果图像都是一个训练样本，用于训练...
FeatherNets_backup_目标检测_
10-02
FeatherNets备份是针对目标检测任务而设计的一种轻量级神经网络模型。目标检测是计算机视觉领域的一个关键任务，其目标是识别图像中的不同对象并精确地标定它们的位置。FeatherNets的设计旨在实现高效的计算性能，...
目标检测（Object detection）基础
个人记录使用
11-28 1244
文章目录1. 目标定位2. 特征点检测3. 目标检测4. 滑动窗口的卷积实现5. Bounding Box预测6. 交并比7. 非极大值抑制8.Anchor Boxes9.YOLO算法10.候选区域 1. 目标定位 图片分类任务之前我们很熟悉了，本节学习定位分类问题。不仅仅要判断图片是不是一辆汽车，还要在图中标记其位置，后面还会讲多目标定位。 图片分类任务流程很熟悉，比如，输入一张图片到多层卷...
目标检测常见边框(bounding box)表示方式
Hanson的博客
07-20 1425
x_center, y_center表示边框的中心位置， width, height分别表示边框的宽度和高度。x_min和y_min表示边框左上角坐标，x_max和y_max表示边框的右下脚坐标。边框坐标编码[x_center, y_center, width, height]边框坐标编码是[x_min, y_min, width, height]边框坐标编码是[x_min, y_min, x_max, y_max]表示左上角的坐标以及边框的宽度和高度。边框的宽度是322,高度是117。
深度学习笔记（四）（3）目标检测（Object detection）
qq1406433326
07-04 1293
深度学习笔记（四）（3）目标检测（Object detection） 3.1 目标定位（Object localization） 想要定位目标，要在标准的分类过程下，让神经网络多输出几个单元，输出一个边界框。具体说就是让神经网络再多输出4 个数字，标记为????????,????????,????ℎ和????????，这四个数字是被检测对象的边界框的参数化表示。(bxb_xbx​,byb_yby​)是指定的图象的中心点，bhb_hbh​是边界框的高度，宽度为bwb_wbw​ 若果没有检测到对象，对于pcp
新手也能彻底搞懂的目标检测Anchor是什么？怎么科学设置？[附代码]
AIZOO人工智能乐园
03-12 4720
在基于anchor的目标检测网络（Faster RCNN、SSD、YOLO v2&v3等）中，一个至关重要的步骤就是科学的设置anchor，可以说，Anchor设置的合理与否，极大的影响着最终模型检测性能的好坏。本文，我们将以质朴的语言介绍Anchor导致是什么，以及如何科学的设置anchor。 对于目标检测新手来说，一个比较常见的误区就是拿到模型，直接无修改的在自己的数...
目标检测入门知识
qq_45431015的博客
12-06 2350
目标检测入门知识，包括目标检测任务的描述与各种网络模型（R-CNN、Fast R-CNN、Faster R-CNN等）
目标检测——Yolo系列（YOLOv1/2/v3/4/5/x/6/7/8）
zyw2002的博客
06-24 1万+
Precision: 描述的是找对的概率 Recall: 描述的是找全的概率一般来说，准确率和找回率不能同时兼顾，一个高另一个就相对变低。 改变阈值（IOU大于一定的阈值，就被判为正样本），可以得到不同的precision和recall, 然后做出presion - recall 的图（一般叫做PR图） 去上限求出与x轴围成的阴影的面积就是AP的值。如上图就是长方形A1，A2，A3,A4的面积之和。对每个类别都计算出AP，求均值得到mAP核心思想： 输入数据 一张图片 ——> 然后把图片分割成7*7的网格
目标检测及锚框、IoU
Life And Code
10-27 617
我们要识别中所有我们感兴趣的物体，并且找出每个物体的位置。
目标检测中的评价指标
05-06
目标检测中的评价指标用于衡量算法在检测任务中的性能表现。以下是一些常见的目标检测评价指标： 1. 精确率（Precision）：精确率是指检测结果中真正例（True Positive）的比例，即正确检测到的目标数量与总检测到的目标数量之比。 2. 召回率（Recall）：召回率是指检测结果中真正例的比例，即正确检测到的目标数量与实际存在的目标数量之比。 3. 平均精确率均值（mAP）：mAP是目标检测中常用的综合评价指标，它计算了不同类别下的精确率-召回率曲线，并计算曲线下的面积平均值。mAP越高，表示算法在多个类别上的性能越好。 4. IoU（Intersection over Union）：IoU是指预测框与真实框之间的交集与并集之比。在目标检测中，通常将IoU大于一定阈值（如0.5）的预测框与真实框匹配，用于计算精确率和召回率。 5. F1分数（F1 Score）：F1分数是精确率和召回率的调和平均值，用于综合考虑两者之间的平衡关系。F1分数越高，表示算法在精确率和召回率上的表现越好。
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
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