目标检测:FP(误检)和FN(漏检）统计

已于 2023-03-27 13:31:09 修改
阅读量2.2k 收藏 9
点赞数
分类专栏： object detection 文章标签： 目标检测 深度学习 计算机视觉
于 2023-03-27 12:42:54 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/weixin_38346042/article/details/129789124
版权
本文介绍了在目标检测中如何统计误检（FP）和漏检（FN）。通过将数据转换为YOLO格式，训练模型，然后在测试集上进行预测，分析预测结果与真实标签的对比，从而得出FP和FN。使用特定脚本可以可视化这些错误并统计每个图片的错误数量，帮助提升模型性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1. 介绍

目标检测，检测结果分为三类:TP(正确检测),FP(误检),FN(漏检)， 尤其是针对复杂场景或者小目标检测场景中，会存在一些FP(误检),FN(漏检)。

如何对检测的效果进行可视化，以帮助我们改进模型，提高模型recall值。

步骤

  • (1): 数据需要准备为yolo格式
  • (2) 训练数据获得模型model
  • (3) 利用训练的模型再测试集上预测，获得pred
  • (4) 根据测试集的标签label与pred结果，分析FP和FN

在这里插入图片描述

2.数据准备

数据需要处理为yolo格式, 即每图片对应一个.txt的label信息，训练后的label也是每张图片对应.txt文件

了解本专栏 订阅专栏 解锁全文 超级会员免费看
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。
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 7351
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。
YOLOv5 目标检测优化：降低误检与漏检
xu.hyj
02-15 2474
误检意味着模型检测到了不存在的目标，而漏检则指模型未能检测到真实存在的目标。通过合理的优化，可以大幅降低误检和漏检，提高 YOLOv5 在目标检测任务中的表现。如果背景复杂导致误检，可以减少强烈的数据增强，避免模型学到无关信息。如果漏检主要集中在某些特定角度或场景，可以增加相应的数据增强，例如。IoU 阈值，如 0.3-0.4，但不能太低，否则可能导致漏检。如果误检仍然较多，可以使用更大的 YOLOv5 变体，如。例如，检测小目标时，使用。，但不能过低，否则会引入过多误检。，但不能过高，否则可能导致漏检。
误检率和漏检率（笔记 自用）
weixin_45246566的博客
03-28 5584
在异常检测中我们更多的是关注事物的异常状态，所以将异常状态表示为正类，将正常状态表示为负类，如工业检测中划痕检测，显示屏有划痕是正类，没有划痕是负类。正确匹配为将正类识别为正类，将负类识别为负类，错误匹配为将正类识别为负类或将负类识别为正类。在计算机视觉项目的异常检测中，基本用这几个指标来衡量算法的性能好坏。正确率：A=(TP+TN)/(TP+TN+FP+FN)误检率：FPR=FP/(FP+TN)漏检率：FNR=FN/(FN+TP)
深度解析目标检测中的误检与漏检问题及处理策略
2402_85762143的博客
07-27 3634
在深入讨论误检和漏检问题之前，我们首先简要回顾一下目标检测算法的基本原理。
TP, TN, FP and FN
#+!
11-11 3072
表示分类正确：True Positive：本来是正样例，分类成正样例。True Negative：本来是负样例，分类成负样例。表示分类错误：False Positive ：本来是负样例，分类成正样例，通常叫误报。False Negative：本来是正样例，分类成负样例，通常叫漏报。
【目标检测】YOLOv5：添加漏检率和虚检率输出
兴趣使然的创作者
08-07 1万+
在目标检测领域，衡量一个模型的优劣的指标往往是mAP，然而实际工程中，有时候更倾向于看漏检率和虚检率。YOLOv5的原始代码并没有这两个指标的输出，因此我想利用原始代码的混淆矩阵，输出这两个指标数值。.........
目标检测误检与负样本问题
weixin_42010722的博客
10-13 4723
负样本是指不包含任务所要识别的目标的图像，也叫负图像（Negtive Image)。以识别限速牌为例，如下所示，左图包含限速牌，为正样本，右图不包含限速牌，为背景图，即负样本增加负样本。
目标检测检测精度介绍和代码计算 python
zhangyue123的博客
12-13 1988
召回率(Recall)， 准确率， 漏检率， 误检率
预测集误检率和漏检率算法
最新发布
02-26
在机器学习领域，尤其是针对二分类问题中的异常检测场景，误检率（False Positive Rate, FPR）和漏检率（False Negative Rate, FNR）是非常重要的评价指标[^2]。 #### 误检率 (FPR) 误检率定义为实际为负类却被...
误检率与漏检率的评估指标详解
在实际应用中，误检率和漏检率的大小直接影响到系统的准确性和可靠性。 ## 1.2 目的和重要性 本文旨在详细介绍误检率和漏检率的定义、计算方法、应用领域以及评估方法。首先将介绍误检率和漏检率
带FN+的键盘测试工具 每次按键有声音提示 绿色软件
06-06
一个简单的绿色软件，用来测试键盘上每个按键是否触发，按下时有声音提示，修键盘的时候可以不用抬头就晓得是否触发了，很方便。
运动目标检测中的误检测点抑制算法
08-27
运动目标检测中的误检测点抑制算法运动目标检测中的误检测点抑制算法运动目标检测中的误检测点抑制算法运动目标检测中的误检测点抑制算法
以人脸检测为例，谈谈基于深度学习的目标检测网络为什么会误检，以及如何优化目标检测的误检问题
Ryuchong的博客
04-14 1323
对于以人脸检测为代表的目标检测深度学习网络来说，误检是一件非常恼人的事情。把狗检测为猫尚可接受，毕竟有些狗的确长得像猫，但是把墙壁、灯泡、拳头、衣服检测成人脸就不能忍了，明明一点都不像。稍稍思考下，我感觉应该能够从两个方面解释下误检问题。 图像内容问题 在训练人脸检测网络时，一般都会做数据增强，为图像模拟不同姿态、不同光照等复杂情况，这就有可能产生过亮的人脸图像，“过亮”的人脸看起来就像发光的灯泡一样。。。如果发光灯泡经过网络提取得到的特征，和过亮人脸经过网络提取得到的特征相似度达到临界值，那么网络把发光灯
谈谈基于深度学习的目标检测网络为什么会误检，以及如何优化目标检测的误检问题
LoongEmbedded的专栏
10-14 1189
谈谈基于深度学习的目标检测网络为什么会误检，以及如何优化目标检测的误检问题
【目标检测】|检测错误机制 Why Object Detectors Fail: Investigating the Influence of the Dataset
qq_35608277的博客
06-21 808
错检（没有检测到具有正确类别标签且IoU大于0.5的对象）对于某些任务（医学、自动驾驶、机器人、军事打击）更为重要怎么产生的假阴性（错检）？不同数据集是否有差别？影响因素是？通过分析不同数据集的影响 目标检测中的假阴性描述了探测器未正确定位和分类的目标。前文（What’s in the Black Box? The False Negative Mechanisms Inside Object Detectors）介绍了五种“假阴性机制”，用于识别探测器体系结构中未能检测到对象的特定组件。利用这些机制，探索
目标检测——存在的问题
那年聪聪
03-15 3007
1、anchor box会带来一些问题，比如模型的输出变得非常稠密，因为对应特征图中每个anchor box，都要输出一个4元组的位置预测和对应这个位置的物体分类的预测分数（C类），这样就会生成(C+4)×H×W×6个输出。考虑在多个特征图上进行检测，模型的输出会进一步增加。另外，anchor box需要手动设计，涵盖的尺度有限，一般通过对训练集中目标物体边框尺寸的真实值进行聚类得到，这样会造成对...
解决目标检测中的难分样本（漏检测与误检测问题）
热门推荐
yunxinan的专栏
12-25 1万+
1、SRGAN 论文题目：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial 论文链接：https://arxiv.org/abs/1609.04802 论文代码：https://github.com/JustinhoCHN/SRGAN_Wasserstein 超分辨率重建就是将低分辨率图像恢复成...
目标检测
菜鸟的飞翔
03-20 2443
目标检测的过程分为三步，第一步，为每一步目标局部块P_i训练一个分类器（Classifier）；第二步，选择最有区分力的局部块P_0的分类器来检测目标的初始位置；第三步，用其它的分类器对初始位置进行确认，得到最终检测结果。在目标局部块初始化检测过程中，采用了滑动窗口的方法对目标块进行检测和定位。5.1分类器学习 分类器是用来对一组特征向量进行分类，判断该组特征向量所属的图像窗口是否包含需要寻找的目
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

@BangBang

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