南通网站建,王妃貌美还狠凶,免费设计logo效果图,网站美工做专题尺寸多少前言#xff1a;Hello大家好#xff0c;我是小哥谈。目标检测评价指标是用来衡量目标检测算法性能的指标#xff0c;主要包括几个指标#xff1a;精确率#xff08;Precision#xff09;、召回率#xff08;Recall#xff09;、交并比#xff08;IoU#xff09;、平均… 前言Hello大家好我是小哥谈。目标检测评价指标是用来衡量目标检测算法性能的指标主要包括几个指标精确率Precision、召回率Recall、交并比IoU、平均精度AP和多个类别AP的平均值即mAP等等。本节课就给大家重点介绍下目标检测中的相关评价指标及其含义希望大家学习之后能够有所收获 前期回顾 第1篇 目标检测概述 —1目标检测基础知识 第1篇 目标检测概述 —2目标检测算法介绍 目录
1.目标检测有哪些评价指标
2.评价指标详解
2.1 Precision精确率
2.2 Recall召回率
2.3 Average Precision平均精确率
2.4 Mean Average Precision (mAP)平均精确率均值
2.5 mAP0.5
2.6 mAP0.5:0.95
2.7 ROC曲线
2.8 P-R曲线
2.9 IoU交并比
2.10 mIoU平均交并比
2.11 FPS每秒传输帧数
2.12 FLOPS每秒浮点运算次数 3.参考文章 1.目标检测有哪些评价指标
目标检测评价主要包括几个指标精确率Precision、召回率Recall、交并比IoU、平均精度AP和多个类别AP的平均值即mAP等等。其中精确率指的是检测出的目标中真正为目标的比例召回率指的是所有真正为目标的样本中被检测出来的比例交并比指的是检测框与真实框的交集面积与并集面积的比值平均精度指的是不同置信度下的精确率与召回率的曲线下面积而mAP则是多个类别AP的平均值。这些指标可以通过混淆矩阵来计算。在实际应用中我们需要根据具体的场景和需求选择合适的评价指标来评估模型的性能。
具体含义如下所示
Precision精确率表示模型预测的正样本中真实正样本的比例计算公式为Precision TP / (TP FP)其中 TP 表示真正例模型正确检测的正样本数FP 表示假正例模型错误检测的正样本数。Recall召回率表示模型正确检测的正样本数占所有真实正样本的比例计算公式为Recall TP / (TP FN)其中 FN 表示假负例模型未能检测到的正样本数。Intersection over Union (IoU)交并比计算检测框和真实框之间的重叠程度常用于衡量目标检测的准确性。IoU 的计算公式为IoU (Detection ∩ Ground Truth) / (Detection ∪ Ground Truth)。Average Precision平均精确率结合了不同置信度下的 Precision 和 Recall通过计算 Precision-Recall 曲线下的面积来衡量模型的性能。Mean Average Precision (mAP)平均精确率均值计算不同类别的 Average Precision 的平均值是目标检测中常用的评价指标之一。ROC曲线Receiver Operating Characteristic curveROC曲线是以假阳性率False Positive Rate为横轴真阳性率True Positive Rate为纵轴绘制的曲线用于衡量模型在不同阈值下的性能。P-R曲线Precision-Recall curveP-R曲线是以查准率为横轴查全率为纵轴绘制的曲线用于衡量模型在不同阈值下的性能。
等等...... 2.评价指标详解
在目标检测相关博客或论文中经常看到一堆简写TP、TN、FP、FN这些是什么含义呢它们的含义具体如下
预测值为正例记为P(Positive)预测值为反例记为N(Negative)预测值与真实值相同记为T(True)预测值与真实值相反记为F(False)
那么从上面可以知道
TP真实为正样本预测也为正样本又称(真阳性)。FN真实为正样本预测为负样本又称(假阴性)。FP真实为负样本预测为正样本又称(假阳性)。TN真实为负样本预测为负样本又称(真阴性)。 知道了这几个定义下面就好理解了。✅
2.1 Precision精确率
Precision精确率是指在所有被分类器预测为正例的样本中真正为正例的样本所占的比例。简单来说就是分类器预测为正例的样本中有多少是真正的正例。精确率越高说明分类器预测为正例的样本中真正为正例的比例越高分类器的性能越好。精确率的计算公式为TP/(TPFP)其中TP表示真正为正例的样本数FP表示被错误地预测为正例的负例样本数。
公式 式中代表一共识别出的物体数量。举例说明对于口罩人脸检测的一个效果图图中9个检测框7个正确检测出口罩则TP 72 个未正确检测出口罩则FP 2 参照公式准确率为0.78。
2.2 Recall召回率
Recall召回率是指在所有实际为正样本的样本中被正确预测为正样本的样本数占比。计算公式为预测样本中实际正样本数/所有的正样本数即recallTP/(TPFN)。其中TP表示真正例True Positive即实际为正样本且被正确预测为正样本的样本数FN表示假反例False Negative即实际为正样本但被错误预测为负样本的样本数。Recall越高表示模型能够更好地识别出正样本但同时也可能会将一些负样本错误地预测为正样本。
公式 表示一共有多少个需要检测的物体。举例说明如果一共有8个带着口罩的目标其中7个正确检测出口罩则TP 7 1个未检测出口罩则FN 1 根据计算公式得到召回率为0.875。
2.3 Average Precision平均精确率
Average Precision平均精确率是一种用于衡量物体检测算法准确性的指标。它结合了查准率precision和召回率recall来评估模型在不同阈值下的性能。平均精确率通过计算不同阈值下的查准率并对其进行平均来得到。它可以反映出模型在不同阈值下的性能变化情况。
在PR曲线图上表现为PR曲线下面的面积。AP的值越大则说明模型的平均准确率越高。 2.4 Mean Average Precision (mAP)平均精确率均值
Mean Average Precision (mAP)平均精确率均值是一种用于评估目标检测算法性能的指标。它是计算每个类别下的 Average Precision (AP) 的平均值。AP 是通过计算在不同召回率水平下的最大精确率来衡量算法在不同目标类别上的准确性。mAP 提供了一个综合性的度量可以比较和评估不同算法的性能。
2.5 mAP0.5
mAP0.5是指在计算平均精度mAP时使用IoU阈值为0.5。具体而言mAP0.5是计算每个类别下所有图片的平均精度其中IoU阈值设定为0.5。通常情况下mAP0.5是用来评估目标检测算法的性能的指标之一。较高的mAP0.5值表示算法在检测目标时具有更高的准确性。
2.6 mAP0.5:0.95
mAP0.5:0.95是指在IoU阈值从0.5到0.95的范围内以步长为0.05进行计算的平均mAP。这意味着对于不同的IoU阈值0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95计算每个阈值下每个类别的所有图片的AP并求平均得到的mAP值。 说明♨️♨️♨️ 在目标检测任务中mAPmean Average Precision是一个广泛使用的指标用于衡量检测模型的性能。其中mAP0.5即在IoUIntersection over Union阈值为0.5时的mAP是最常用的mAP值也是PASCAL VOC竞赛中使用的标准评价指标。这是因为IoU阈值为0.5是一个相对较宽松的标准既能够检测出较大的目标也能检测出较小的目标因此更能全面评估检测模型的性能。但是mAP0.5并不能完全反映出检测模型在不同IoU阈值下的表现。因此mAP0.5:0.95这个指标被提出它是在IoU阈值从0.5到0.95变化时的平均mAP值。这个指标能够更全面地评估模型的性能因为它考虑了不同IoU阈值下的检测结果。而且在某些应用场景下如自动驾驶、安防等对目标检测的精度要求较高因此mAP0.5:0.95更能反映模型的性能。综上所述mAP0.5是最常用的mAP指标但是mAP0.5:0.95对于某些应用场景更为重要因为它能够更全面、更准确地评估模型的性能。 2.7 ROC曲线
ROC曲线是一种常用的分类模型性能评估方法。它通过绘制真正例率True Positive RateTPR和假正例率False Positive RateFPR之间的关系曲线来展示分类器在不同阈值下的表现。TPR表示被正确分类为正例的样本占所有实际正例样本的比例而FPR则表示被错误分类为正例的样本占所有实际负例样本的比例。ROC曲线的横坐标为FPR纵坐标为TPR曲线越靠近左上角说明分类器的性能越好。 2.8 P-R曲线
P-R曲线是指Precision-Recall曲线用于评估分类模型的性能。横坐标为Recall召回率纵坐标为Precision精确率。P-R曲线反映了在不同召回率下模型的精确率变化情况。通常情况下P-R曲线越靠近右上角模型的性能越好。 2.9 IoU交并比
IoU是指交并比Intersection over Union即预测框(prediction)和实际目标(ground truth)的交集和并集的比值用以确定预测目标的置信度。当一个预测框的IoU大于某个阈值时才认定其为正分类(一般为0.5或0.3)。最理想情况下完全重叠时IoU的值为1。 上图中假设A为模型的检测结果B为Ground Truth即样本的标注结果那么A与B相交的区域即为A∩B而A与B的并集即为AB共有的区域A∪B,那么IoU的计算公式即为: IoU (A∩B) / (A∪B)
这个还是很简单就能理解的反应到样本图上就如下图 其中上图蓝色框框为检测结果红色框框为真实标注。一般情况下对于检测框的判定都会存在一个阈值也就是IoU的阈值一般可以设置当IoU的值大于0.5的时候则可认为检测到目标物体。
2.10 mIoU平均交并比
mIoU即平均交并比Mean Intersection over Union是一种用于评估语义分割任务中预测结果与真实标签相似度的常用指标。它通过计算每个类别的交并比IoU并对所有类别的IoU取平均值得到。
2.11 FPS每秒传输帧数
FPS是指每秒传输的帧数用于衡量动画或视频画面的流畅程度。较高的FPS意味着画面更新更频繁动作更加流畅。一般来说30帧每秒是为了避免动作不流畅的最低要求。一些计算机视频格式每秒只能提供15帧。此外FPS也可以理解为刷新率即屏幕每秒刷新的次数常用单位为Hz。较高的刷新率可以提供更好的图像显示效果和视觉感观。
2.12 FLOPS每秒浮点运算次数
FLOPSFLoating point Operations Per Second的缩写即每秒浮点运算次数或表示为计算速度是一个衡量硬件性能的指标。 说明♨️♨️♨️ FLOPS浮点数运算指计算量越小越好。通俗点讲指显卡算力对应英伟达官网的那些CUDA GPUs - Compute Capability | NVIDIA Developer 3.参考文章 作者智能算法文章【必备】目标检测中的评价指标有哪些
