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
吴佳浩6 小时前
我把 HAMi 摆回一台双卡机器上跑了一遍:GPU 编排的性能账,到底记在谁头上
人工智能·gpu
forest_099 小时前
《AI 编程 Harness 实战手册》04|审批这道门:点了一百次“允许”,还剩多少作用?
人工智能·算法·prompt·agi
火山引擎开发者社区10 小时前
当 RPA 遇上 Agent:MUA 混合执行 Workflow 深度拆解
人工智能
严肃小白兔11 小时前
第 10/24 期:深度神经网络的自动求导机制与梯度验证
人工智能·神经网络·dnn
火山引擎开发者社区11 小时前
定档12.16-12.18!FORCE原动力大会上海见!
人工智能
努力的MM12311 小时前
CAIE 二级和阿里云大模型 ACP 怎么选?企业 AI 工程与云平台开发能力对比
人工智能
老金带你玩AI11 小时前
Kling Image 4.0来了!8K和组图直出,电商人的提效神器?
人工智能
孟健12 小时前
用 unslop 拯救 AI 生成网页的塑料感,7 分钟重构落地实测
前端·人工智能·ai编程
stormzhangV12 小时前
Google 重返第一梯队
人工智能·google·aigc