深度学习1:通过模型评价指标优化训练

P(Positive)表示预测为正样本,N(negative)表示预测为负样本,T(True)表示预测正确,F(False)表示预测错误。

TP:正样本预测正确的数量(正确检测)

FP:负样本预测正确数量(误检测)

TN:负样本预测错误数量

FN:正样本预测错误的数量(漏检测)

1.准确率:正确样本占总样本的比例

Accuracy=(TP+TN)/(TP+TN+FP+FN)

2.精确率:正样本预测正确占正样本的比例

precision=(TP)/(TP+FP)

精确度低,召回率高的解决办法:

模型把大量背景(负样本)错判成目标(正样本 )。

主要原因不外乎数据本身有问题:1、图片上目标没有标全,有大量没标注的 ,这样会导致模型其实学到了目标物特征,但是真值是负样本(没有标注);2、图片上目标标的太仔细,把非常小像素的目标(特征跟背景相差不大)都标了,这样也会导致模型错把背景当成目标 。

3.召回率:正样本预测正确占实际正样本的比例

R=(TP)/(TP+FN)

为了找到所有正样本。

召回率低,精确度高的解决办法:

对错误的标注样本进行修正。

4. 平均精度AP

AP 就是Precision-recall 曲线下面的面积。

5.map

当我们把所有类别的AP都计算出来后,再对它们求平均值,即可得到mAP。

相关推荐
VIP_CQCRE8 小时前
GPT Image 2.6 商品图换背景后悬浮?接触阴影、透明区域与反射验收
图像处理·人工智能·ai·电商
泯泷9 小时前
别再傻傻地喂文件了,大厂都在偷偷给AI建这种“专属图书馆”
人工智能
oak隔壁找我10 小时前
一款运行在 DSH(DeepSeek Harness)中的类 Postman HTTP 接口调试插件
人工智能·程序员
高洁0110 小时前
数字孪生与计算机视觉:让机器看懂现场
人工智能·python·机器学习·transformer·迁移学习
Csvn11 小时前
如果明天供应商涨价 3 倍?三层解耦,换模型只改一行配置(C05)
人工智能·aigc·agent
在所不辞兄11 小时前
为什么数字孪生驱动的产线标定需要在线更新机制,而不能一次标定后长期沿用?
人工智能·神经网络·其他·算法·机器学习
锋行天下12 小时前
langgraph 全栈项目(三)
前端·人工智能·后端
黄啊码12 小时前
【黄啊码】最近面了十几个想转 FDE 的程序员,一个都没招
人工智能
锋行天下13 小时前
langgraph 全栈项目(二)
前端·人工智能·后端
大模型真好玩13 小时前
用 Seedance 2.5 Flash 实现1分钟AI短剧,满足孩子的超级英雄对战梦
人工智能·aigc·deepseek