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
Michelle80235 分钟前
23大数据 数据挖掘复习1
大数据·人工智能·数据挖掘
Serverless 社区1 小时前
阿里云函数计算 AgentRun 全新发布,构筑智能体时代的基础设施
人工智能·阿里云·云原生·serverless·云计算
IT_陈寒1 小时前
Python开发者必看!10个高效数据处理技巧让你的Pandas代码提速300%
前端·人工智能·后端
新智元1 小时前
全球 AI 视频大战升级!「中国版 Sora」Vidu Q2 参考生月底发布,能力对标 Sora 2
人工智能·openai
新智元2 小时前
刚刚,Figure 03 惊天登场!四年狂造 10 万台,人类保姆集体失业
人工智能·openai
万猫学社2 小时前
我们为什么需要Agent?
人工智能
CoovallyAIHub2 小时前
告别等待!十条高效PyTorch数据增强流水线,让你的GPU不再"饥饿"
深度学习·算法·计算机视觉
共绩算力2 小时前
OpenAI Whisper 语音识别模型:技术与应用全面分析
人工智能·whisper·语音识别·共绩算力
工藤学编程3 小时前
零基础学AI大模型之Stream流式输出实战
人工智能