深度学习，分类，检测，分割，模型评价指标总结

最新推荐文章于 2025-05-21 14:12:40 发布
最新推荐文章于 2025-05-21 14:12:40 发布
阅读量3.1k 收藏 14
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 深度学习 文章标签： 深度学习
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.youkuaiyun.com/TYtangyan/article/details/106005451
本文总结了深度学习中分类、检测和分割任务的模型评价指标。对于分类，介绍了准确率、精确率、召回率和F1-score；检测网络涉及IoU、AP和mAP；分割模型的评价指标包括像素精度（PA）、分类像素精度（CPA）、平均像素精度（MPA）和交并比（MIoU）。这些指标有助于评估模型性能并选择最佳权重。

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

  当我们训练完自己的模型以后，怎样知道不同的权重到底哪个好呢。一张张看？显然不合理，所以需要有一个衡量的标准。  

1.分类网络：

首先要知道TP,FP,TN,FN的概念

如下图：

 多种类的时候可以使用混淆矩阵来看一下分类的结果：

                      预测

实际

0

1

2

3

0

5

3

1

1

1

1

5

2

1

2

1

1

5

1

3

2

1

1

5

                        &nbs

最低0.47元/天 解锁文章

200万优质内容无限畅学
深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 34万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
【深度学习基础】一篇入门模型评估指标（分类篇）
十二月的猫
11-27 1275
本篇针对的是刚刚接触机器学习的友友~~在猫猫刚刚入门机器学习时，有位学长问我，召回率是什么？猫猫那是一脸懵逼，然后他又来了三连问。准确率是什么？精准率是什么？有什么曲线评估模型性能吗？在当时猫猫的脑海中，模型好坏不就是看他预测准了多少个样本，准确率多少吗？哪来那么多东西，哈哈哈哈哈哈，机器学习还是好玩的。想到很多刚刚入门的友友也可能苦恼于模型评估指标，猫猫便写了这篇博客，希望能给大家带来点帮助。模型评估是指在机器学习中，对于一个具体方法输出的最终模型，使用一些指标和方法来评估它的泛化能力。
分割模型的度量指标有哪些？
biubiu713的博客
05-26 574
分割模型评估包括三个方面：定量准确性、速度（推理时间）、存储要求（内存占用），目前的大多数研究工作重点关注模型准确性，除此之前，模型的视觉质量也很重要。：是PA拓展版本，计算每个类别被预测正确的像素比例，然后对所有类别取平均值。：正确预测分割图与真实分割图之间的交集与并集之比。分别表示真实分割图与预测分割图。：正确分类的像素与总像素的比值。的像素数量，而不是概率。
分割模型的评估指标
jinxianwei1999的博客
11-18 243
语义分割评估指标
11种常用的深度学习图像分割模型（介绍 + 代码）
最新发布
yyyyyybw的博客
05-21 1464
图像分割是计算机视觉领域的一项关键任务，其中图像中的每个像素被分配给特定的类别或对象。近年来，随着深度学习的发展，图像分割技术取得了长足的进步。本文将介绍11种常用的深度学习模型，帮助你理解和掌握这些强大的工具。【戳下面蓝字，即可跳转到学习页面】U-Net 是一个经典的图像分割模型，最初设计用于生物医学图像分割。其架构采用编码器-解码器结构，通过跳跃连接将低级特征传递到更高级别，从而保留更详细的信息。
机器学习&图像分割——模型评价总结(含完整代码)
GeekZW的博客
05-22 3万+
机器学习&图像分割——模型评价总结（含完整代码） 模型评价的方法指标有很多，如：PR-curve，MAE，ROC，Precision，Recall，AUC，AP，mAP，DSI，VOE，RVD等等； 本文旨在介绍机器学习&图像...
Python计算语义分割模型的评价指标
知识搬运者
05-11 5531
一、混淆矩阵混淆矩阵（confusion matrix）是一种特定的矩阵用来呈现算法性能的可视化效果，其每一列代表预测值，每一行代表的是实际的类别。这个名字来源于它可以非常容易的表明多个类别是否有混淆（也就是一个class被预测成另一个class）。下面是二分类的混淆矩阵：预测值与真实值相同为，反之则为。混淆矩阵的，期望TP和TN越大越好，FN和FP越小越好。
图像分割评测指标，dice，voe,ASD,RVD（学习）
Vertira的博客
07-11 1851
图像分割评测指标，dice，voe,ASD,RVD（学习）
语义分割常用评价指标
Metaphysicist的博客
01-23 4763
语义分割是计算视觉任务中一个重要而常见的问题。在实际应用中,评估模型预测效果以及各指标意义很重要。本文主要评价指标的概念和计算代码进行了详细描述,以帮助读者了解不同指标的数学含义和应用。文章首先阐述了语义分割任务的重要性。然后系统地介绍了7类常用评价指标,分别是Jaccard系数、F1分数、召回率、精确率、准确率、Dice系数和特异度、敏感度,给出了每个指标的定义和计算公式。
语义分割算法性能比较_深度学习图像语义分割常见评价指标详解
weixin_39945531的博客
11-22 2785
点击上方蓝字关注我们微信公众号：OpenCV学堂关注获取更多计算机视觉与深度学习知识图像语义分割深度学习已经应用在计算机视觉领域多个方面，在最常见的图像分类、对象检测、图像语义分割、实例分割视觉任务都取得了良好的效果，如下图所示：深度学习在图像语义分割上已经取得了重大进展与明显的效果，产生了很多专注于图像语义分割的模型与基准数据集，这些基准数据集提供了一套统一的批判模型的标准，多数时候我...
深度学习分割评价指标汇总
越秃越强
06-01 955
计算公式：2TP / (2TP+FP+FN) = 2(Precision+Recall) / (Precision * Recall)计算公式为：ACC=(TP+TN)/(TP+FP+FN+TN)计算公式为：BER=1/2*(FPR+FN/(FN+TP))计算公式为：FPR= FP / (FP + TN)计算公式为：TNR= TN / (FP + TN)计算公式为：PPV=TP / (TP + FP)计算公式为：TPR=TP/ (TP+ FN)计算公式：TP/(TP+FP+FN)
语义分割模型评价指标
qq_43641600的博客
06-04 1881
语义分割模型评价指标 PA（Pixel Accuracy） 像素精度：分类正确的像素点数和所有的像素点数的比例 假定一定有k+1类（包括k个目标类和1个背景类），Pij 表示本属于i类却预测为j类的像素点总数，具体地，Pii表示true postives， Pij表示false positives，Pji表示false negatives 公式： MPA(Mean Pixel Accuracy) 计算每一类分类正确的像素点数和该类的所有像素点数的比例然后求平均 公式： MIOU（Mean Interse
分类和检测模型常见评价指标
weixin_44359953的博客
02-24 1135
模型指标详细介绍： 针对一个分类问题，对于其中的某一类，将实例分成正类(postive)或者负类(negative)。但是在模型的预测与实际样本分类会出现四种情况. (1)若一个实例是正类并且被预测为正类，即为真正类(True Postive TP) (2)若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN) (3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP) (4)若一个实例是负类并且被预测成为负类，即为真负类(True Negat
医学图像分割常见评价指标(单目标)——包含源码讲解和指标缺陷
Philo的博客
11-05 1万+
2023年6月1号新增Accuracy指标，强调了其和Precisio指标的区别 就是预测的区域中真正是目标区域的面积占据总目标区域的比例，1最好，0最拉；
【语义分割】评价指标：PA、CPA、MPA、IoU、MIoU详细总结和代码实现（零基础从入门到精通系列！）
热门推荐
西北种田文的博客
12-22 10万+
文章目录引言1 混淆矩阵2 语义分割PA：像素准确率CPA：类别像素准确率MPA：类别平均像素准确率IoU：交并比MIoU：平均交并比（改进，先求IoU，再求MIoU，这里有误）3 综合实例步骤一：输入真实、预测图片步骤二：求出混淆矩阵步骤三：评价指标计算PACPAMPAIoUMIoU4 测试代码参考 引言 语义分割是像素级别的分类，其常用评价指标： 像素准确率（Pixel Accuracy，PA...
深度学习-评估指标
weixin_40934238的博客
02-13 1883
深度学习-评估指标目录前言一、机器学习常用评估指标1.评价指标1.1 错误率与精度1.2 精确率1.3 召回率1.4 P-R曲线1.5 F1 、Fβ值1.6 TPR1.7 FPR1.8 ROC1.9 AUC1.10 敏感性1.11 特异性2.Precision、Recall、mAP2.1 准确率和召回率2.2 P-R曲线2.3 mAP3.GAN评估指标：GAN4.Perplexity(困惑度)：语言处理5.BLEU:机器翻译6.ROUGE：机器翻译 前言 本深度学习系列是根据paddle飞浆所简单整理的
深度学习人脸关键点检测方法----综述
人工智能技术学习与分享
12-25 5万+
参考资料 一、 引言 二、 检测方法 总结 近期对人脸关键点相关方法进行了研究，在深度学习大行其道的背景之下，此博客对近期人脸关键点检测深度学习方法进行了记录和总结，希望给广大朋友一点点启发，也希望大家指出我阅读过程中的错误~ 主要有如下模型： 2.1 ASM (Active Shape Models) 2.2 AAM（Active Appearance Models）...
模型汇总---分类、检测、分割
qq_28057379的博客
02-14 1785
轻量级网络--MobileNet论文解读_DFan的NoteBook-优快云博客_mobilenet论文 轻量级模型：MobileNet V2_小麦草的博客-优快云博客_mobilenetv2 目标检测 目标检测网络CenterNet详解(四) - silence_cho - 博客园 分割 FCN UNet 图像语义分割入门+FCN/U-Net网络解析 - 知乎 ParseNet 【图像分割模型】全局特征与局部特征的交响曲—ParseNet - 知乎 OCRNet 【语义
语义分割评价指标
u012901740的博客
07-08 2598
语义分割是计算机视觉中的一个重要任务，其目标是将图像中的每个像素分类到一个特定的类别中。
深度学习图像处理模型总结：分类、目标检测与语义分割
资源摘要信息:"用于图像处理的一些深度学习模型总结，主要用于分类、目标检测、语义分割等任务" 在图像处理领域，深度学习模型已经成为实现各种视觉任务的基石。本总结主要聚焦于目标检测相关的深度学习模型，这是...
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
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