目标检测-loss、评价指标

最新推荐文章于 2025-06-09 07:50:55 发布
最新推荐文章于 2025-06-09 07:50:55 发布
阅读量2.4k 收藏 7
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 目标检测 文章标签： 深度学习 python
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/weixin_44176643/article/details/120797010
本文介绍了目标检测中的损失函数，如SmoothL1、IoU、GIoU、DIoU和CIoU Loss，并探讨了目标检测的评价指标，包括TP、TN、FP、FN以及Precision和Recall。同时，解释了mAP的计算方法，以及目标检测与目标跟踪的区别。此外，还讨论了IOU和非极大值抑制（NMS）在确保检测精度中的作用。

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

目标检测回归损失函数简介：SmoothL1/IoU/GIoU/DIoU/CIoU Loss

Smooth L1 Loss，Fast RCNN论文提出该方法

目标检测中的评价指标 参考1 参考2 参考3

True Positive (TP)：将正样本预测为正（真正）

True Negative (TN)：将负样本预测为负（真负）

False Positive (FP)：将负样本预测为正（假正）→ 误报 (Type I error)

False Negative (FN)：将正样本预测为负（假负）→ 漏报 (Type II error)

TP+TN:所有预测正确的样本；FP+FN:所有预测错误的样本

TP+FP:所有预测为正的样本；TN+FN:所有预测为负的样本

TP+FN:所有正样本，即Ground Truth(GT)；TN+FP:所有负样本

TP+TN+FP+FN:所有

最低0.47元/天 解锁文章

200万优质内容无限畅学
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 2081
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。
YOLOv8目标检测实战--第五章：模型评估与性能分析 详细说明及代码示例
u010117029的博客
05-24 946
本章详细探讨了YOLOv8模型的评估与性能分析，从多个角度解析了评估目标、方式和可视化工具。评估目标包括精度（mAP）、召回率、置信度阈值和误检率；评估方式涉及验证集、测试集和混淆矩阵；可视化工具如TensorBoard和Ultralytics API等。文章提供了Python、Java和C#的代码示例，展示了如何在不同编程语言中实现模型验证和结果分析。此外，还分析了YOLOv8在模型评估方面的优缺点，如自动化程度高、可视化友好，但也存在依赖Python生态、跨语言调用复杂等问题。
auc 和loss_关于模型评估指标，可比性，LOSS，AUC，上下限
weixin_39853968的博客
12-20 1993
模型评估可以从多维度多指标进行评估。这里只谈论指标。我们常用的指标，logloss，mse，auc(GAUC)等等。其他指标包括gini(2*AUC -1)，PRauc，KS(max(TPR−FPR))，acc，precision，F1 score。对于预估分数的指标包括其分布的值，比如CoV(变异系数)，std，avg，等等。还有别的指标，如oe等。首先，需要明确，这些指标有没有可比性，在什么情...
loss低但精确度低_目标检测Loss大盘点
weixin_42126399的博客
12-24 2292
↑ 点击蓝字关注极市平台作者丨Augus@知乎来源丨https://zhuanlan.zhihu.com/p/235533342编辑丨极市平台极市导读本文整理了Focal Loss、IOU Loss、GIOU Loss等的多种loss的相关信息，包括公式表示、优缺点和相关论文等方面的内容。>>加入极市CV技术交流群，走在计算机视觉的最前沿L2, L1, smooth L1...
深度学习框架目标检测算法如何使用YOLOv8模型训练密集行人目标检测数据集权重模型 通过训练出的行人入侵检测数据集的权重 建立深度学习的行人入侵检测系统
最新发布
2401_88440984的博客
06-09 470
深度学习框架目标检测算法如何使用YOLOv8模型训练密集行人目标检测数据集权重模型 通过训练出的行人入侵检测数据集的权重 建立深度学习的行人入侵检测系统
目标检测-损失函数Loss
helloworld_Fly的博客
06-05 3941
目标检测一直是计算机视觉中最基本的问题之一，它包括目标分类和目标定位两个子任务。 当前最先进的二阶段目标检测器(例如，Cascade R-CNN，MASk R-CNN和Dynamic R-CNN)依赖于边bbox回归(BBR)模块来定位对象；对于单阶段目标检测器（例如，YOLO，SSD）则依靠BBR来定位。所以说，一个设计良好的损失函数对BBR的成功至关重要。到目前为止，BBR的损失函数主要分为两类:通过边框点来计算，比较多得是L1范数，例如：通过交并面积计算，例如：损失函数怎么来的，由我们需要的性质反推而
目标检测损失函数
andy dennis的博客
08-14 1243
目标检测任务有很多损失函数，这里做个记录。方便以后查阅。
深度学习基础loss和目标检测loss总结
zisuina_2的博客
09-06 9107
目标检测各种loss汇总
Pytorch：目标检测网络-概述，指标计算和使用预训练网络
Jingmin Wei's Blog
02-17 1403
讲解了三大基本目标检测网络框架RCNN, SSD, YOLO。讲解了IoU计算，TP, FP, FN, TN四种样本，Precision, Recall指标，mAP计算。使用预训练的 Faster RCNN 完成目标检测与可视化结果。
YOLO-World：缩小开放词汇下的目标检测检测速度和准确性之间的差距
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。
02-21 5593
在不断发展的人工智能和计算机视觉领域中，YOLO-World作为一项突破性的发展出现，重塑了我们在目标检测方面的理解和能力。这种尖端方法扩展了YOLO（You Only Look Once）系列，通过整合开放词汇检测，允许更加动态和灵活地实时识别对象。最近在视觉-语言建模方面的进步为各个领域开启了前所未有的应用，从自动驾驶到高级监控系统。本文深入探讨了YOLO-World的机制、成就和潜力，标志着在AI驱动的目标检测技术中的一次重大飞跃。
目标检测之损失函数
pengxiang1998的博客
04-26 2250
损失函数的作用为度量神经网络预测信息与期望信息（标签）的距离，预测信息越接近期望信息，损失函数值越小。在目标检测领域，常见的损失分为分类损失和回归损失。
排序算法的评估指标ranking-measures-and-loss-functions-in-learning-to-rank
02-12
该文档论述了排序算法和推荐系统的评估标准NDCG和MAP的原理和应用
目标检测Loss 比较
HouLei
12-29 667
1.L1 vs L2 vs Smooth L1 对比: https://www.jianshu.com/p/19483787fa24. 从梯度方面分析： smooth L1 loss能从两个方面限制梯度： 当预测框与 ground truth 差别过大时，梯度值不至于过大； 当预测框与 ground truth 差别很小时，梯度值足够小。 ...
2D目标检测常用loss
qq_55794606的博客
09-22 1078
分类损失（如交叉熵损失、Focal Loss）边界框回归损失（如 Smooth L1、IoU、GIoU、DIoU、CIoU）分类损失和回归损失的加权组合可以用于优化模型的整体性能。不同检测模型会根据任务需求选择合适的损失函数及其组合，以提升检测精度和定位准确性。
目标检测算法常用Loss——DIoU GIoU CIoU
AI_eNyu的博客
05-07 3063
目标检测算法常用Loss 文章目录目标检测算法常用Loss1. 差值平方损失2. IoU Loss3. GIoU Loss4. DIoU Loss5. CIoU Loss6. 说明和补充6.1说明6.2 补充 1. 差值平方损失 在YOLOv3及YOLOv1,v2版本均采用的均值平方损失，也称为L2损失。L2损失在目标检测问题上不能很好的表现出ground truth 和预测框之间的位置，重合等关键信息。所以衍生出一系列关于IoU的损失。 2. IoU Loss 如下图三种不同的情况，明显第三个预测框与
目标检测中回归损失函数（L1Loss,L2Loss,Smooth L1Loss,IOU,GIOU,DIOU,CIOU,EIOU,αIOU ,SIOU)
zyw2002的博客
03-04 6118
为了解决CIoU的问题，有学者在CIOU的基础上将纵横比拆开，提出了EIOU Loss，并且加入Focal聚焦优质的预测框，与CIoU相似的，EIoU是损失函数的解决方案，只用于训练。在错误率小的地方，梯度的值也应当小，反之在错误率大的地方，梯度也应当大，因为这时候我们需要对错误率小的情况进行微调，而错误率大的地方进行大刀阔斧的调整；如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。DIoU的作者考虑到，在两个框中心点重合时，c与d的值都不变。
深度学习用于图像/视频增强的损失函数(loss)及评价指标
热门推荐
shentu7的博客
05-07 1万+
图像/视频增强一般包含去噪、超分辨率等等，如何来评价经过增强后的图像就需要衡量指标来评定，图像质量评价从方法上可分为主观评价方法和客观评价方法，本文主要介绍客观评价方法中三个重要的评价指标均方误差（MSE，Mean Squared Error）、峰值信噪比（PSNR，Peak Signal to Noise Rate）和结构相似性(SSIM,Structural Similarity）。 在深度学...
目标检测入门：3.目标检测损失函数（IOU、GIOU、DIOU）
weixin_43946736的博客
07-04 1711
本章主要将了IOU、GIOU、CIOU的原理和代码实现，最后使用DIOU实战小黄人目标检测。
目标检测——使用loss发现噪声数据
墨门
04-30 976
2 备注 2.1 聚类算法中的outliers是怎么定义的呀，是按照一定半径画出决策边界，然后不属于任何一个类的点吗？ 我在优图交流群中进行了提问，记录如下： 我：请问一下，聚类算法中的outliers是怎么定义的呀，是按照一定半径画出决策边界，然后不属于任何一个类的点吗？ 程昊老师：outlier的定义是由聚类算法确定的，不同的聚类方法对outlier的定义有所不同。ppt里用的是DB...
yolov5目标检测的评价指标
07-28
yolov5目标检测的评价指标包括IOU（Intersection over Union）、box_loss、obj_loss、cls_loss、Precision、Recall和mAP@0.5 & mAP@0.5:0.95。其中，IOU是指预测框与真实框的交并比，用于衡量预测框的准确性。box_...
评论 2
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