目标检测中准确率召回率问题

最新推荐文章于 2025-09-18 19:35:46 发布
原创 最新推荐文章于 2025-09-18 19:35:46 发布 · 7.3k 阅读 · 3 ·
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。

博客以行人检测为例，介绍了Precision和Recall的概念。Precision指检测出的行人中确实是行人的百分比，Recall指正确检出的行人数量占行人总数的百分比，Recall为100%表示无漏检，且二者常相互矛盾，理想状况是二者均为100%。

在这里插入图片描述以行人检测为例，精度就是检测出来的行人中确实是行人的所占的百分比；Recall就是正确检出的行人数量占行人总数的百分比，Recall=100%表示没有漏检；这两个常常是一对矛盾，通常我们总是希望既没有虚景也不会发生漏检的情况，也就是Precision和Recall均为100%的状况
在这里插入图片描述

F1 Score详解 查准率较高 召回率较低怎末处理？
08-29 8078
https://blog.youkuaiyun.com/zjn295771349/article/details/84961596
目标检测中召回率和准确率介绍
m0_43400376的博客
04-27 6631
本文节选于《深度学习之pytorch物体检测实战》,供以后复习时查看 目标检测的评价标准 ​    对于一个检测器，我们需要制定一定的规则来评价其好坏，从而选 择需要的检测器。对于图像分类任务来讲，由于其输出是很简单的图像 类别，因此很容易通过判断分类正确的图像数量来进行衡量。     物体检测模型的输出是非结构化的，事先并无法得知输出物体的数量、位置、大小等，因此物体检测的评价算法就稍微复杂一些。对于具 体的某个物体来讲，我们可以从预测
低秩分解技术：从理论到应用的全方位解读
最新发布
拒绝AI玄学，只聊真技术▲
09-18 1108
低秩分解作为一项强大的数学技术，能够揭示数据中的低维结构，并在大模型时代发挥着至关重要的作用。从经典的SVD到现代的DeepTensor，低秩分解方法不断发展，在计算效率、鲁棒性和非线性处理方面取得了显著进展。在大模型中，低秩分解不仅用于模型压缩和加速推理，还支持高效微调（如LoRA）和增强鲁棒性。随着模型规模的不断增长，低秩分解的重要性将进一步增加，帮助我们构建更高效、更可扩展和更强大的AI系统。未来研究需要解决计算复杂度、模型选择、理论保证和非线性扩展等挑战，同时继续探索新的应用领域。
精确率越高可能导致召回率越低的原因
weixin_50944399的博客
01-24 6504
在实现过程中可能涉及到 “距离” ，如果句子与文章的距离小于0.1，将其定义为相似（这里假如0.1非常小，表示句子与文章非常相似），那么模型查找出来10篇文章，其中9篇都与这个句子非常相似，那么 精确率 =9/（9+1） = 0.9 就非常高，因为设置的距离非常苛刻，可以保证预测出来的大部分文章都与该句子相似,但 召回率=9/100 = 0.09, 这个时候如果设置距离为 0.05，模型查找出来5篇，但这5篇全是与该句子相似的文章，精确率为1,但召回率为5/100 = 0.05更低。
目标检测评价指标 - TN FN TP FP 准确率 召回率 精确率 F1
m0_46653846的博客
08-30 906
精确率（Precision）：分类器预测为正类别的样本中，真正为正类别的比例。F1 值：精确率和召回率的调和平均值，是综合考虑了精确率和召回率的一个指标。准确率（Accuracy）：分类器正确分类的样本数与总样本数之比。召回率（Recall）：正样本中被分类器正确识别的比例。F1有点调和平均数的意思。
【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。
目标检测问题混淆矩阵与准确率、召回率等
leonardohaig的博客
08-25 1599
F1分数认为召回率和正确率同等重要，F2分数认为召回率的重要程度是正确率的2倍，而F0.5分数认为召回率的重要程度是正确率的一半。是精确率和召回率的调和平均数，例如，模型A的recall高，precision低，模型B相反，那怎么综合比较模型A和B的性能呢，用这个可以作为综合评价指标。这些指标有助于评估模型的性能。多分类任务的混淆矩阵与二分类的混淆矩阵类似，但它的维度更大，因为它需要处理多个类别之间的分类情况。精确率主要关注的是预测结果中的正类样本的质量，即在预测为正类的样本中有多少是准确的。
目标检测如何计算召回率_目标检测 — 评价指标
weixin_30771489的博客
01-16 1484
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...
目标检测如何计算召回率_目标检测+准确率、召回率、PR曲线、AP、mAp、mmAp
weixin_42314420的博客
01-16 1716
查准率、查全率、AP、map，参考知乎地址：https://zhuanlan.zhihu.com/p/94597205TP(True Positive)：一个正确的检测，检测的IOU ≥threshold。即预测的边界框(bounding box)中分类正确且边界框坐标正确的数量。在实际预测中，经常会出现多个预测框与同一个gt的IOU都大于阈值，这时通常只将这些预测框中score最大的算作TP，...
分类：准确率、召回率、精确率和相关指标.pdf
05-14
在需要减少假负例的问题中，比如疾病诊断，高召回率是追求的目标。 精确率（Precision）衡量的是模型预测为正类的样本中，实际为正类的比例。公式为：精确率 = TP / (TP + FP)。精确率反映了模型对正类的预测质量。...
召回率低的原因
laner__gg的博客
11-15 1万+
1、样本标注时多数正样本被错误的标注为负样本，这样模型学到正例的能力变弱，这样正样本预测为负样本的同时，负样本的精度也会减少。 方法一：对错误的标注样本进行修正，观察结果，看是否有改变。 2、一般情况下，正负样本比列小于1：100（看到有的人说1：1000一下，数值还不太确定）都不算不平衡。 3、方法三：增加数据量，认为可能是数据量不够，学不上来，效果不够； 特征找的不够，则会那个负样本区分力度不大，网络太浅，学不到特征。 ...
深入了解平均精度(mAP)：通过精确率-召回率曲线评估目标检测性能
deephub
05-28 7677
mAP是目标检测中常用的评估指标，它能够综合考虑模型在不同类别上的性能，因此能够更全面地评估目标检测模型的准确度和召回率。较高的mAP值表示模型在目标检测任务上的性能更好。预测边界框生成：模型通过对输入图像进行推理，生成一系列预测的边界框，每个边界框包括边界框的位置和预测的目标类别。真实边界框标注：对于每个图像，标注人员手动标记真实的边界框和对应的目标类别。
【机器学习】模型评价指标中的召回率低的原因
wzk4869的博客
01-19 4734
【机器学习】模型评价指标中的召回率低的原因
yolov5如何找出召回率以及map较低的原因（或者说找出难以预测的图片）
weixin_39122088的博客
10-28 1万+
    最近一直在用yolov5（v1.0版本）做头盔、安全帽、人脸三分类的检测任务，数据集是三个数据集的融合，关于融合数据集前边说到过，这里就不再提起，最终的指标（0.5的阈值）如下： 尝试了一些增强数据方法，也用了很多优化策略，但是指标都不提升，因此从数据角度查找原因，通过指标可以看出，模型的精度很高，召回率较低，因此说明模型漏检问题较为严重，对detect.py文件进行一些修改， labels = [] #这里是画检测框的代码 for *xyxy, conf, cls in det: lab
目标检测-指标
qq_43578042的博客
08-13 1678
目标检测评价指标
FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)等评价指标介绍
qq_64431512的博客
05-30 1万+
FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)等评价指标介绍
5、目标检测评估指标
weixin_44986037的博客
03-13 2672
深度学习
睿智的目标检测20——利用mAP计算目标检测精确度
Bubbliiiing的学习小课堂
03-06 7万+
睿智的目标检测20——利用mAP计算目标检测精确度学习前言GITHUB代码下载知识储备1、IOU的概念2、TP TN FP FN的概念3、precision（精确度）和recall（召回率）4、概念举例5、单个指标的局限性什么是AP绘制mAP 学习前言 好多人都想算一下目标检测的精确度，mAP的概念虽然不好理解，但是理解了就很懂。 GITHUB代码下载 这个是用来绘制mAP曲线的。 https:...
目标检测的衡量标准
u013972657的博客
10-21 6983
https://www.cnblogs.com/wjjcjj/p/13894995.html Precision=True positives/predicted as positives Recall=True positives/actual positives
目标检测准确率和召回率
04-02
<think>好的，我现在需要回答用户关于目标检测中准确率和召回率的问题。首先，我得回忆一下这两个指标的基本定义和计算方法，同时结合用户提供的引用内容来确保准确性。 准确率（Precision）和召回率（Recall）是分类任务中常用的评价指标，但在目标检测中它们的计算可能有所不同。根据引用[4]，准确率指的是分类正确的正样本占分类器判定为正样本的比例，即查准率。而召回率则是实际正类样本中被正确识别的比例，即查全率，如引用[3]所述。 接下来，我需要考虑目标检测中的具体应用。例如，在目标检测中，每个预测框和真实框的交并比（IoU）是关键因素。引用[2]提到，IoU是预测框与真实框的交集与并集的比值，通常用来判断预测是否正确。比如，当IoU超过某个阈值（如0.5）时，才认为预测正确。 用户提供的引用中有关于准确率和召回率的公式。准确率公式是TP/(TP+FP)，召回率是TP/(TP+FN)。这里的TP是正确检测的正样本，FP是错误的正样本检测（误报），FN是漏检的真实样本。 需要详细说明如何计算TP、FP、FN。例如，在目标检测中，每个真实框可能会有多个预测框，这时候如何处理？可能需要使用非极大值抑制（NMS）来消除冗余的预测框，然后通过IoU判断是否为TP或FP。如果某个真实框没有被任何预测框匹配到，则计入FN。 还要注意，不同的IoU阈值会影响结果。例如，较高的IoU阈值会导致更严格的判定，可能降低TP的数量，从而影响准确率和召回率。因此，在实际应用中需要明确阈值的选择。 另外，引用[1]提到准确率（Accuracy）不常用，因为目标检测更关注正样本的识别情况。这可能是因为在目标检测中，负样本（背景）数量远多于正样本，导致准确率指标不够敏感，所以更侧重精确率和召回率。 最后，总结准确率和召回率在目标检测中的计算步骤，并给出具体例子，比如使用IoU阈值0.5的情况。同时，可以提到如何通过调整置信度阈值来平衡这两个指标，以及F1分数作为两者的调和平均。 用户可能还会关心这些指标的实际应用，比如模型优化时如何根据这些指标调整参数，或者如何解释模型的性能。但根据问题，主要需要明确回答定义和计算方法，确保覆盖引用中的关键点，并正确引用来源。</think>### 目标检测中准确率与召回率的定义与计算方式 #### 1. **准确率（Precision）** **定义**：准确率表示分类器判定为正样本的检测结果中，真正属于正样本的比例，也称为**查准率**。 **计算公式**： $$ \text{Precision} = \frac{TP}{TP + FP} $$ - **$TP$（True Positive）**：正确检测到的正样本（预测框与真实框的IoU ≥ 阈值）。 - **$FP$（False Positive）**：误检为正样本的负样本（预测框与真实框的IoU < 阈值，或未匹配到真实框的预测框）[^4]。 #### 2. **召回率（Recall）** **定义**：召回率表示所有实际存在的正样本中，被正确检测到的比例，也称为**查全率**。 **计算公式**： $$ \text{Recall} = \frac{TP}{TP + FN} $$ - **$FN$（False Negative）**：未被检测到的真实正样本（真实框未匹配到任何预测框）[^3]。 --- #### 3. **目标检测中的具体实现** 1. **IoU（交并比）**： 预测框与真实框的交集面积除以并集面积： $$ \text{IoU} = \frac{\text{交集面积}}{\text{并集面积}} $$ 通常设定阈值（如0.5）判断是否为有效检测[^2]。 2. **匹配规则**： - 每个真实框仅与一个预测框匹配（通常选择IoU最大的预测框）。 - 若预测框未匹配到任何真实框，则视为$FP$。 - 未被匹配的真实框视为$FN$。 --- #### 4. **示例说明** 假设检测结果如下： - **真实框**：10个 - **预测框**：12个（其中8个IoU ≥ 0.5，4个IoU < 0.5） - **未匹配的真实框**：2个 计算过程： - $TP = 8$ - $FP = 4$ - $FN = 2$ - **准确率**：$8 / (8+4) = 66.7\%$ - **召回率**：$8 / (8+2) = 80\%$ --- #### 5. **指标间的权衡** - **提高准确率**：需减少$FP$（如提高检测阈值），但可能导致$FN$增加，召回率下降。 - **提高召回率**：需减少$FN$（如降低检测阈值），但可能引入更多$FP$，准确率下降。 - **F1-score**：综合两者的调和平均值： $$ F1 = \frac{2 \cdot \text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}} $$ ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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