一.深度学习中的F1值
1.1 公式
F1 = 2 * (精确度 * 召回率) / (精确度 + 召回率)
1.2 是什么?
F1也叫F1-Score或者F1-Measure,F1值是精确度和召回率的调和平均数。
1.3 作用
评估模型在检测任务中的精确度和召回率的一个综合指标。
F1值的取值范围在0到1之间,数值越接近1表示模型性能越好。当精确度和召回率都很高时,F1值也较高,说明模型能够在检测任务中取得较为平衡的表现。
Intersection over Union (IoU)
公式
IoU = 预测的框 ∩ 真实的框 / 预测的框 ∪ 真实的框
红色框是预测的边界
绿色的是真实的边界
3.Precision
p r e c i s i o n = t p t p + f p = 正确检测的个数 检测出来的所有目标个数 precision = \frac{tp}{tp+fp}=\frac{正确检测的个数}{检测出来的所有目标个数} precision=tp+fptp=检测出来的所有目标个数正确检测的个数
tp:预测正确 且 预测出来的结果是正 (说明使用的是正样本) 的图片数量
fp:预测错误 且 预测出来的结果是正 (说明使用的是负样本) 的图片数量
4.recall
r e c a l l = t p t p + f n = 正确检测的个数 真实存在的目标个数 recall = \frac{tp}{tp+fn}=\frac{正确检测的个数}{真实存在的目标个数} recall=tp+fntp=真实存在的目标个数正确检测的个数
tp:预测正确 且 预测出来的结果是正 (说明使用的是正样本) 的图片数量
fn:预测错误 且 预测出来的结果是负 (说明使用的是正样本) 的图片数量
precisions: 分母使用的预测结果都是正
recall: 分母使用的都是正样本
参考连接:【YOLO学习】召回率(Recall),精确率(Precision),平均正确率(Average_precision(AP) ),交除并(Intersection-over-Union(IoU))
参考链接:Mean Average Precision (mAP) Explained: Everything You Need to Know