目标检测高频评价指标的计算过程

原创 于 2025-01-22 17:41:58 发布 · 1.1k 阅读 · 15 ·
CC 4.0 BY-SA版权
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。
文章标签：

#目标检测 #人工智能 #计算机视觉

在yolo目标检测的评价指标中有如下字段：

指标的计算过程如图：

计算过程从前到后，涉及到多个指标的计算，分别是：

  1. 模型输出值
  2. IOU计算
  3. 预测结果判断
  4. 混淆矩阵计算
  5. PR以及PR曲线计算
  6. AP计算
  7. mAP计算
  8. ROC计算

下面详细介绍各个步骤的涉及的概念，计算方法。

模型输出

在目标检测中，一张图像推理可能会输出多个预测框，每一个预测框有三个值：

  1. 预测框坐标
  2. 置信度
  3. 类别

如下输出分别代表：x y w h confidence cls

array([[       1166,         712,        1273,         991,     0.94275,           1],
       [       1267,         711,        1359,         968,     0.93491,           1],
       [        302,         534,         337,         655,     0.86046,           1],
       [        339,         520,         378,         638,     0.85005,           1],
       [        382,
最低0.47元/天 解锁文章

200万优质内容无限畅学
namelijink
关注
第二十九章 目标检测中的测试模型评价指标(车道线感知)
专注于人工智能学习，总结
11-08 2078
自动驾驶的一大前提是保证人的安全，故对人的检测是必须的。考虑到自动驾驶的场景需求，各类车辆、交通灯、交通标志以及其他路上高频出现的，对决策有影响的物体类别都应进行识别，例如摩托车、自行车等。在确定了数据集及检测类别后，测试指标对评估模型性能好坏有着至关重要的意义，目前已有大量相关研究。本文对在工程中选取的指标做出总结，并介绍了目前比较主流的各类评价指标。mAP: mean Average Precision, 即各类别AP的平均值AP: PR曲线下面积，后文会详细讲解。
目标检测YOLO实战应用案例100讲-复杂背景下的红外弱小目标检测方法研究
qq_36130719的博客
05-21 1868
弱小红外目标检测中的“弱”指的是在背景较为复杂时，目标与背景特征相似，易被淹没在背景中，一般对比度小于15%，且在远距离成像中耗散了较多能量以致其信杂比(Signal-to-Clutter Ratio, SCR)不大于3；“小”是指远距离的成像造成了成像大小在2×2−9×9 像素之间[2]，目标缺乏可区分的形状和纹理信息，因此，由远距离红外成像系统所得图像中的目标呈现“弱”和“小”的特点；另一方面，小目标所处的背景多变且复杂，通常是无人机所拍摄的空对地场景，包。
Evaluation中Percision和Recall的理解
MacKendy的博客
05-25 787
1.评价指标 在机器学习、深度学习快速发展的时代，模型和技巧层出不穷，那么就需要有一定的指标去量化地评价这些新的idea，是否work，优化的幅度有多大。 2.混淆矩阵 在分类任务中，通常可以用混淆矩阵比较直观地分析，各类别的预测准确度，模型在哪个类别的性能较低，以确定后续优化的方向。 预测 \ 标签 猫 狗 总计 猫 16 1 17 狗 4 19 23 总计 20 20 40 据混淆矩阵所示，共40张图待预测，其中20张猫、20张狗。 可直观得知，模型对于狗的预测效果更好。 此
目标框检测中准确率、召回率、AP、mAP计算原理及代码
MAX的专栏
09-28 9422
假设有M个真值正样本，我们从Top-1 到 Top-N，每累积一个预测就会对应一个recall 和 一个 precision。,M/M），对每一个recall，从对应的precision 中取最大值作为当前recall 对应的precision，求M 个precision的平均得到AP。一般用 IOU 进行匹配，预测框和真实框之间的 IOU 值大于一定阈值时，比如0.5，则认为对真实样本正确预测。但是Accuracy 不经常使用，因为我们在做目标预测的时候往往只关心正样本，而不去关心负样本是否正确预测。
中文分词方法Precision、Recall、F1值对比
gx1823693161的博客
11-03 1448
目录 手动实现分词方法：前向最长匹配分词算法 中文分词方法Percision、Recall、F1值计算公式 分词效果对比：jieba、hanlp、thulac、前向最长匹配法 分析 代码链接 手动实现分词方法：前向最长匹配分词算法 1.切分pku_training.utf8训练集：70%用于字典建立，30%用于测试分析方法的性能。 2.利用训练集70%的数据进行分词方法字典的建立。 3.对剩余30%的数据进行中文分词，获得分词结果。 4.计算分词结果的Precision、Recall、F
Detection：目标检测常用评价指标的学习总结（IoU、TP、FP、TN、FN、Precision、Recall、F1-score、P-R曲线、AP、mAP、 ROC曲线、TPR、FPR和AUC）
目前涉及领域：目标检测，语义分割以及数字图像处理
11-08 1万+
1. 第一部分介绍IoU这个指标的含义和计算方法。 2. 第二部分介绍TP、FP、TN、FN这四个指标的含义，以及在目标检测中的使用方法。 3. 第三部分介绍Accuracy、Precision、Recall、F1-score这四个指标的含义，以及在单类别和多类别下的计算方法。 4. 第四部分介绍P-R曲线、AP和mAP这个三个指标的含义和计算方法。 5. 第五部分介绍ROC曲线和AUC这个两指标的含义和计算方法。 6. 最后还最后还附上了yolov5计算指标代码的部分解释，并举例说明。详情参见附录。
yolov5 混淆矩阵计算精确率（percision）
beyondCCCS的博客
06-08 2465
yolov5 通过混淆矩阵计算 精确率
【ECCV24】【红外目标检测】IRSAM
Gorgeous_wxd
10-06 4336
论文：https://arxiv.org/abs/2407.07520代码：https://github.com/IPIC-Lab/IRSAM点评这篇文章将SAM用于红外图像目标的识别。核心创新点是引入边缘和多尺度信息，但其实也是很常见的了。边缘的提取借鉴的Perona-Malik理论。摘要最近的“任意分割模型”（SAM）是自然图像分割领域的一项重大进步，具有强大的零样本性能，适用于各种下游图像分...
基于Matlab的11种图像清晰度评价指标及其应用场景
最新发布
04-11
每种方法通过具体的代码片段展示其核心思想与实现步骤，如Tenengrad指标利用Sobel算子检测边缘强度，DFT指标通过离散傅里叶变换评估高频分量，自相关函数衡量图像自相关特性等。文中不仅提供了详细的数学公式和代码...
yolo目标检测PR指标计算
taifyang的博客
10-04 1450
目标检测yolo格式数据，给定置信度阈值和iou阈值，单个物体的PR指标计算脚本，多物体需要修改。
P(查准率) R(查全率) AP mAP最通俗准确的讲解
weixin_44115575的博客
08-22 2182
学习YOLO的过程中遇到了mAP指标，在网上看了很多关于mAP的讲解，不是很理解其计算过程，于是总结了各个帖子及自己的理解，给出mAP计算的规律，这样就能作为笔记很好的记忆。
precison、recall、f1这三个值的高低分别能说明什么
yxx122345的博客
11-18 2576
精确率表示在模型预测为正的样本中，真正为正的比例。召回率表示所有真实为正的样本中，被正确预测为正的比例。F1 值是精确率和召回率的调和平均数，用来综合衡量 Precision 和 Recall 的表现。
目标检测里评价指标
09-29 1397
　　评价指标： 　　准确率 （Accuracy），混淆矩阵 （Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交除并（IoU），ROC + AUC，非极大值抑制（NMS）。 1、准确率 （Accuracy） 　　分对的样本数除以所有的样本数 ，即：准确（分类）率 = 正确预测的正反例数 / 总数。 　　准确率一般用来评估模型的全局准确程度，不能包含太多信息，无法全面评价一个模型性能。
目标检测一些指标
darren_ying0803的博客
11-11 1113
目标检测指标
cout.precision()的使用
阿黄啦啦
06-08 4万+
最开始接触到这个函数不知道是什么意思，在一个程序中见到，将其注释掉发现也没有丝毫影响，但是笔者认为一定是有其特殊的含义的，所以还是来做个总结，当做学习笔记了。         cout.precision()其实是输出流cout的一个格式控制函数，也就是在iostream中的一个成员函数。precision()返回当前的浮点数的精度值，而cout.precision(val)其实就是在输出的时候
目标检测--精确度(precision), 准确率(accuracy), 召回率(recall), 漏检率, 虚警率
qq_29007291的博客
01-08 1万+
假设: 一组样本，个数为，正例有P个，负例有N个， 算法结果: 判断为正例的正例有TP个，判断为负例的正例有FN个(假的负例）P=TP+FN 判断为负例的负例为TN个，判断为正例的负例有FP个（假的正例）N=TN+FP 指标计算: 精确度（Precision）P=所有判断为正例的例子中，真正为正例的所占的比例=TP/(TP+FP) 准确率（Accuracy）A=判断正确的例子的比例=（TP+TN）...
目标检测指标TP、FP、TN、FN和Precision、Recall
ajkdghfa的博客
08-14 8377
目标检测指标TP、FP、TN、FN，Precision、Recall 1. IOU计算 在了解Precision(精确度)、Recall（召回率之前我们需要先了解一下IOU(Intersection over Union，交互比)。交互比是衡量目标检测框和真实框的重合程度，用来判断检测框是否为正样本的一个标准。通过与阈值比较来判断是正样本还是负样本。一般来讲，当预测框和真实框IOU>=0.5时，被认为是正样本。 IOU=SIntersectionSUnion=S2S1+S2+S3 IOU = \fr
综合评价模型的缺点_【必备】目标检测中的评价指标有哪些？
weixin_39676021的博客
11-21 838
在人工智能领域，机器学习的效果需要用各种指标来评价。当一个目标检测模型建立好了之后，即模型训练已经完成，我们就可以利用这个模型进行分类识别。那么该如何去评价这个模型的性能呢？上期我们一起学习了全卷积神经网络FCN，今天我们看下目标检测中的评价指标都有哪些？今天我们从交并比，准确率，精度，召回率，FPR, F1-Score, PR曲线，ROC曲线，AP的值，AUC的值以及很重要的mAP指标...
【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））
热门推荐
Joe_quan的博客
01-05 10万+
在训练YOLO v2的过程中，系统会显示出一些评价训练效果的指标，包括Recall，IoU等等。为了怕以后忘了，现在把自己的理解记录一下。这一文章首先假设一个测试集，然后围绕这一测试集来介绍这几种指标的计算方式。
图像平滑滤波评价指标
02-20
### 图像平滑滤波的性能评估标准 对于图像平滑滤波效果的评估，通常依赖于一系列定量和定性的评价指标来衡量处理后的图像质量和特征保留情况。这些评价方法旨在提供一种客观的标准，以便比较不同滤波算法之间的优劣。 #### 定量评价指标 1. **峰值信噪比 (Peak Signal-to-Noise Ratio, PSNR)** 峰值信噪比是一个广泛使用的图像质量度量工具，它反映了原始无损图像与经过某种变换或压缩后得到的目标图像之间差异的程度[^1]。较高的PSNR意味着更好的重建精度和平滑操作对细节损失的影响较小。 2. **结构相似性指数 (Structural Similarity Index Measure, SSIM)** 结构相似性不仅考虑了亮度误差还加入了对比度失真等因素，在一定程度上弥补了仅靠均方根误差无法全面反映视觉感受的问题。通过计算两个窗口内像素间的协方差矩阵及其迹线，SSIM能够更贴近人类感知系统地描述两张图片间的关系。 3. **平均梯度 (Average Gradient, AG)** 平均梯度用来表征图像的空间频率特性，即边缘锐利程度。良好的平滑处理应该能够在减少随机噪声的同时保持原有轮廓线条不受损害。如果AG数值过低，则说明可能出现了过度模糊现象；反之则可能是欠拟合状态下的残留杂音干扰[^3]。 4. **信息熵 (Entropy of Information Content, EIC)** 信息熵是从统计学角度出发定义的一个概念，表示数据分布复杂性和不确定性大小。当一幅自然场景照片经过去燥过程之后，理想的状况下应该是既消除了不必要的高频成分又维持住了必要的纹理模式，此时EIC应当处于适中的水平而不是过高或者太低。 5. **环状伪影强度 (Ring Artifact Intensity, RAI)** 特指由傅里叶域内的周期性波动所引起的同心圆型条带状缺陷。某些类型的频谱过滤可能会引入此类瑕疵，特别是在应用较为激进参数设定的情况下更为显著。RAI越接近零越好，表明几乎没有可见的人工痕迹存在[^4]。 #### 定性评价指标 尽管上述量化手段提供了宝贵的数据支持，但在实际应用场景中往往还需要借助肉眼观察来进行主观判断。这包括但不限于： - 对比原片查看是否存在颜色偏差； - 检查重要区域是否丢失关键细节； - 判断整体观感是否自然流畅而非机械呆板等。 ```python import cv2 from skimage.metrics import structural_similarity as ssim import numpy as np def calculate_psnr(img1, img2): mse = np.mean((img1 - img2) ** 2) if mse == 0: return float('inf') max_pixel_value = 255.0 psnr = 20 * np.log10(max_pixel_value / np.sqrt(mse)) return psnr original_image = cv2.imread('path_to_original_image.png', 0) filtered_image = cv2.imread('path_to_filtered_image.png', 0) psnr_result = calculate_psnr(original_image, filtered_image) ssim_index, _ = ssim(original_image, filtered_image, full=True) print(f'PSNR Value: {psnr_result:.2f} dB') print(f'SSIM Index: {ssim_index:.4f}') ```
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