目标检测论文常用评价指标(Evaluation Metrics)总结

评价指标(Evaluation Metrics)

      • 混淆矩阵(Confusion Matrix)
      • 归一化混淆矩阵(Normalized Confusion Matrix)
      • 精确度(Precision)
      • 召回率(Recall)
      • F1值(F1-Score)
      • 平均精确度(Average Precision, AP)
      • 平均精确度(Mean Average Precision, mAP)
      • 交并比(Intersection Over Union, IoU)
      • mAP50
      • mAP50-95
      • 检测时间(Detection Time)
      • 每秒帧率(Frames Per Second, FPS)

混淆矩阵(Confusion Matrix)

下面介绍四个概念:

  • 真阳性(True Positive, TP)

    TP:模型预测是行人,预测正确(实际是行人,而且也被模型预测为是行人)

  • 真阴性(True Negative, TN)

    TN:模型预测非行人,预测正确(实际不是行人,而且也被模型预测为非行人)

  • 假阳性(False Positive, FP)

    FP:模型预测是行人,预测错误(实际非行人,但是被模型预测为是行人)

  • 假阴性(False Negative, FN)

    FN:模型预测非行人,预测错误(实际是行人,但是被模型预测为非行人)

混淆矩阵是对检测结果的可视化概览,是一种用于评估和可视化分类模型性能的重要工具。它以表格形式展现,直观地显示了模型预测类别与实际类别之间的对应关系(即TP、TN、FP、FN)。

归一化混淆矩阵(Normalized Confusion Matrix)

混淆矩阵的归一化,就是对混淆矩阵所有数值整体做了归一化处理,即将每个单元格的值除以该类别实际样本数,从而得到表示分类准确率的百分比。这种标准化可以直观地比较类别间的分类准确率,并识别出模型在不同类别上表现的差异。在归一化混淆矩阵中,对角线颜色越深,代表该模型对于此数据集的各类别识别能力越强。

精确度(Precision)

在被分类器预测为正例的样本中有多少是正确的。

召回率(Recall)

在所有实际为正例的样本中有多少被分类器预测为正例。

F1值(F1-Score)

它是精确度和召回率的综合表现,当精确度和召回率出现难以权衡的时候使用。

平均精确度(Average Precision, AP)

用于计算不同类别的平均精确度。

平均精确度(Mean Average Precision, mAP)

多类别问题的平均精确度。

交并比(Intersection Over Union, IoU)

  • 在目标检测中,它用于衡量模型生成的候选框与原标记框之间的重叠程度。
  • IoU值越大,表示两个框之间的相似性越高。通常,当IoU值大于0.5时,认为可以检测到目标物体。这个指标常用于评估模型在特定数据集上的检测准确度。

mAP50

  • 定义:mAP50 是指 IoU 阈值固定为 0.5 时计算得到的平均精度均值。
  • 特点:mAP50 更关注于检测框与真实框之间的重叠程度大于等于 50% 的情况。这意味着即使检测框与真实框的重叠程度较低,只要超过 50%,也会被视为正确检测。

mAP50-95

  • 定义:mAP50-95 是指在 IoU 阈值从 0.5 到 0.95 之间,每隔 0.05 计算一次 AP(Average Precision),然后取这些 AP 的平均值。
  • 特点:mAP50-95 更全面地考虑了不同重叠程度下的检测质量,这要求模型不仅能够检测出目标,还要确保检测框与真实框之间的重叠足够高。

检测时间(Detection Time)

  • 预处理(Preprocess):对输入数据进行初步处理的阶段。
  • 推理(Inference):模型实际运行的阶段,基于预处理后的数据执行前向传播计算。
  • 损失计算(Loss):损失计算主要用于训练阶段,评估模型输出与真实标签之间的差距。
  • 后处理(Postprocess):这是将模型的输出转化为可解释的结果的过程。

每秒帧率(Frames Per Second, FPS)

它用于评估模型在给定硬件上的处理速度,即每秒可以处理的图片数量,该指标对于实现实时检测非常重要,因为只有处理速度快,才能满足实时检测的需求。

相关推荐
阿坡RPA8 小时前
手搓MCP客户端&服务端:从零到实战极速了解MCP是什么?
人工智能·aigc
用户27784491049938 小时前
借助DeepSeek智能生成测试用例:从提示词到Excel表格的全流程实践
人工智能·python
机器之心8 小时前
刚刚,DeepSeek公布推理时Scaling新论文,R2要来了?
人工智能
算AI10 小时前
人工智能+牙科:临床应用中的几个问题
人工智能·算法
凯子坚持 c11 小时前
基于飞桨框架3.0本地DeepSeek-R1蒸馏版部署实战
人工智能·paddlepaddle
你觉得20511 小时前
哈尔滨工业大学DeepSeek公开课:探索大模型原理、技术与应用从GPT到DeepSeek|附视频与讲义下载方法
大数据·人工智能·python·gpt·学习·机器学习·aigc
8K超高清11 小时前
中国8K摄像机:科技赋能文化传承新图景
大数据·人工智能·科技·物联网·智能硬件
hyshhhh12 小时前
【算法岗面试题】深度学习中如何防止过拟合?
网络·人工智能·深度学习·神经网络·算法·计算机视觉
薛定谔的猫-菜鸟程序员12 小时前
零基础玩转深度神经网络大模型:从Hello World到AI炼金术-详解版(含:Conda 全面使用指南)
人工智能·神经网络·dnn
joseanne_josie12 小时前
读论文笔记-ALIGN:利用有噪声数据集扩大视觉和视觉-语言表示
论文阅读