评价指标Precision（精度）和Recall（召回率）以及AP0.5、AP0.75、AP0.9的理解

最新推荐文章于 2024-04-15 19:08:36 发布
最新推荐文章于 2024-04-15 19:08:36 发布
阅读量7.3k 收藏 20
点赞数 6
文章标签： tensorflow
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/writer666/article/details/115219652
版权

非常感谢原作者得文章让我对iou Precision（精度）和Recall（召回率）以及map有了更清晰得了解。
下文是我的一些理解，仅供自己做笔记使用
1.IOU的概念
IOU即交并比，也是预测框和真实框的比值，他的算法可如下图所示

在这里插入图片描述
2.TP TN FP FN的概念
T或者N代表的是该样本是否被分类分对，P或者N代表的是该样本被分为什么

TP（True Positives）意思我们倒着来翻译就是“被分为正样本，并且分对了”，TN（True Negatives）意思是“被分为负样本，而且分对了”，FP（False Positives）意思是“被分为正样本，但是分错了”，FN（False Negatives）意思是“被分为负样本，但是分错了”。

按下图来解释，左半矩形是正样本，右半矩形是负样本。一个2分类器，在图上画了个圆，分类器认为圆内是正样本，圆外是负样本。那么左半圆分类器认为是正样本，同时它确实是正样本，那么就是“被分为正样本，并且分对了”即TP，左半矩形扣除左半圆的部分就是分类器认为它是负样本，但是它本身却是正样本，就是“被

最低0.47元/天 解锁文章
家嘉佳
关注
  • 6
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
目标检测 相关参数说明 IOU/AP/MAP
FREEDOM
10-25 3997
网上一些资料博客参差不齐，缺乏直观易懂的正确说明。希望这篇博文能够给大家一点帮助。 mAP历史 目标检测的mAP计算方式在2010年的voc上发生过变化，目前基本都是采用新的mAP评价标准。（我有个小疑问就是明明是2010年修改的，但是貌似现在大家都称这种计算方式为2012）所以你查到的有一些博客上记录的是之前的mAP评价标准。 但是，知乎上有一个回答，是完全错误的。而且很多评论已经指出来了，但是回答者一直没有修改。这个回答也曾经误导过我。目标检测中的mAP是什么含义？ - 许博雅的回...
sa-uta7-recall-precision:UTA7统计分析的召回率和精确度结果
05-12
召回率和精度问题UTA7统计分析 该存储库旨在为我们对中的问题的统计分析收集一套 。 为了这个目的，我们正在计算代表我们的（或）的几个热图。 简而言之，是对分类问题的预测结果的简短描述。 在我们的，我们正在为...
一文讲清楚目标检测中mAP、AP、precison、recall、accuracy、TP、FP、FN、TN
fengmaomao1991的专栏
01-28 7784
其中，BB表示BoundingBox，GT=1表示GT与预测的BoundingBox的IoU>=IoU_th，BoundingBox序号相同代表所对应的GT是同一个。但在工程应用中，物体是否被正确检测到，还是需要具体的confidence_th和IoU_th，工程上更关心在固定的confidence_th和IoU_th下的准确率。注意，FN是从Ground Truth中取，就是如果有n个类似这种的confidence
roc曲线和pr曲线
最新发布
2202_76097539的博客
04-15 532
2.TPR的分母是所有正例，FPR的分母是所有负例， 不依赖于具体的类别分布，不会随着类别分布的改变而改变。P-R曲线：P为precision查准率，R为recall查全率，以查准率为纵轴、查全率为横轴作图，所以P-R曲线是反映了“查准率”与“查全率”之间的关系。ROC曲线以真正例率TPR=TP/(TP+FN)为纵坐标，假正例率FPR=FP/(FP+TN)为横坐标绘制。对于二分问题，可将样本划分为：真正例TP，假正例FP，真反例TN，假反例FN。若两条曲线发生交叉，曲线下面积AUC越大，预测准确率越高。
map,AP,APs,APm,APl,AP0.5等的理解
shuijinghua的博客
05-28 1万+
APs,APm,APl,AP0.5等都是在基于COCO数据时候定义出来评论检测模型的指标,具体含义如下图: AP是所有类别的平均值,传统上,这被称为平均准确度(mAP,mean average precision) 在coco数据集中,大约41%的物体很小(面积<32*32),34%是中等(32*32<area<96*96),24%大(area>96*96) ...
目标检测基础——评价指标
qq_53136634的博客
07-24 163
交并比（IOU, Intersetion Over Union）,意思就是交集和并集的比值，用来评价两个几何图形的面积重合度，在目标检测算法模型中，通常被用来计算预测框与真实框的误差（损失函数）或者在非极大值抑制（NMS）算法中用于过滤多余重叠的目标，亦或者在。
机器学习评价指标 ROC与AUC 的理解和python实现
热门推荐
张渊猛的博客
08-15 2万+
本文所讲内容的前提是一个二分类的任务，多分类任务可以经过简单扩展用转化成二分类。 评估一个二分类的分类器的性能指标有：准确率、查准率（precision）、查全率（recall）、F1值以及ROC和AUC等。前面几个比较直观，而ROC和AUC相对抽象一点，本文将重点放在后者。因为本文曾一度没搞清ROC，所以这次彻底搞明白。 从混淆矩阵说起 首先一个用分类器预测完后，我们会得到一个二分类的混淆...
【实例分割】3、Mask Scoring R-CNN
呆呆的猫的博客
05-08 2869
摘要 实例分割的很多框架中，实例分类的置信度被当做mask质量的衡量指标 mask的质量常被量化为 ： 实例mask和真值的 IoU，而与分类置信度没有很大的关联 本文提出了 Mask Scoring R-CNN，包含一个网络快来学习预测实例mask的好坏 本文网络将 实例特征 和 对应的预测mask 综合起来，来回归 mask 的 IoU Mask scoring 策略 将校正Mask 质量和M......
matlab_目标检测结果的评估，包括ROC曲线，AP值,Fmeasure的计算
06-20
F-measure的计算公式为：\( F_{\beta} = (1 + \beta^2) \cdot \frac{precision \cdot recall}{\beta^2 \cdot precision + recall} \)，其中\( \beta \)常取1，表示对精确度和召回率的均衡重视。在MATLAB中，可以...
SSD_print_AP
02-02
平均精度是基于Precision-Recall曲线计算的，用于评估模型在不同召回率下的精确度，综合反映了模型的检测能力。 在SSD打印AP信息的过程中，首先需要理解AP的计算方法。在PASCAL VOC评测标准下，AP是通过在11个不同...
Roc-curve.zip_Recall_precision_precision recall_roc_roc curve ja
09-14
精确度（Precision）和召回率（Recall）是另外两个重要的评价指标。精确度是预测为正类中实际为正类的比例，而召回率是所有实际正类被正确预测出来的比例。在一些应用场景中，如医疗诊断，我们可能更关心召回率，...
PG_Curve-master.rar_precision recall_recall_precision_roc_分类 roc
07-15
这些概念是理解和优化模型不可或缺的部分，主要包括混淆矩阵、精确率（Precision）、召回率（Recall）、精确率-召回率曲线（Precision-Recall Curve）以及ROC曲线（Receiver Operating Characteristic Curve）。...
论文中的AP指标
风行
11-26 3528
VOC 数据集评价指标是mAP = AP@0.5, 即 IOU=0.5 就算 True Positive； COCO数据集则会计算以下几个AP： AP（默认）：IOU=0.5 到 IOU=0.95， 每隔0.05个IOU计算一次AP，然后求平均值 AP （IOU=0.5）， AP（IOU=0.75），两种典型IOU下的AP AP（small），AP（medium），AP（large），即小中大三种不同尺度物体的AP值，其中small是指物体面积小于32 x 32， medium是指面积在32 x 32 -
mmyolo框架中计算各类别的AP@0.5指标
jiangqixing0728的博客
12-11 1091
本文所用的mmyolo版本:0.3.0首先要知道，mmyolo中在eval和test阶段进行指标计算的时候，对于COCO数据集默认用的就是mAP@0.5:0.95，即不同IoU阈值下的mAP计算，并且没有给出各类别的具体指标，如可以看出，只给了 不同IoU下AP和AR的值，以及最后不同IoU下的mAP，当然也有针对small、medium、large下的指标，这一切都因为这是。而如果我们需要训练我们自己的任务场景，比如，就不需要这些东西，我们需要的是：1.各个类别的AP值。
IoU、Precision、Recall、AP、mAP详解
qq_27155171的博客
10-10 3965
目标检测中的IoU、Precision、Recall、AP、mAP详解
最易懂的解释：目标检测中的评估指标（IoU，AP，mAP）
qq_58484580的博客
07-06 869
IoU是用来衡量两个box的重合度的，值越大重合度越高，求法简单来说就是交集/并集。
roc_auc_score函数
weixin_67609590的博客
05-19 3557
是用于计算二分类问题中 ROC 曲线下的面积（AUC）的函数。ROC（Receiver Operating Characteristic）曲线是一种以真阳性率（True Positive Rate, TPR）为纵坐标、假阳性率（False Positive Rate, FPR）为横坐标的曲线，用于评估二分类模型的分类效果。AUC 表示 ROC 曲线下的面积，其取值范围为 0 至 1，AUC 值越接近 1，说明模型的分类效果越好。
【机器学习】AUC计算（Python实现）
littlemichelle
10-19 2万+
目录 1、sklearn中计算AUC值的方法 2、编写函数实现 auc_calculate AUC理论请看【机器学习】POC & AUC 1、sklearn中计算AUC值的方法 from sklearn.metrics import roc_auc_score auc_score = roc_auc_score(y_truth,y_pred) y_pred即可以是类别，也可以是概率。 roc_auc_score直接根据真实值和预测值计算auc值，省略计算roc的过程。 .
MS COCO数据集的评价标准以及不同指标的选择推荐（AP、mAP、MS COCO、AR、@、0.5、0.75、1、目标检测、评价指标）
Le0v1n 的博客
10-25 5504
目标检测模型性能衡量指标、MS COCO数据集的评价标准以及不同指标的选择推荐 Key Word：AP、mAP、MS COCO、AR、@、0.5、0.75、1、目标检测、评价指标
精度（Precision）和召回率（Recall）代码
06-07
下面是使用sklearn库计算精度和召回率的Python代码示例： ```python from sklearn.metrics import precision_score, recall_score # 定义训练数据和标签 y_true = [0, 1, 1, 0, 1, 0, 0, 1] y_pred = [0, 1, 0, 0, 1, 1, 0, 1] # 计算精度和召回率 precision = precision_score(y_true, y_pred) recall = recall_score(y_true, y_pred) print("精度：", precision) print("召回率：", recall) ``` 在这个示例中，我们使用sklearn库中的precision_score和recall_score函数来计算精度和召回率。首先，我们定义了训练数据和标签，然后使用这两个函数计算精度和召回率。最后，我们输出结果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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