目錄

精確率（Precision）和召回率（Recall）

F1分?jǐn)?shù)（F1 Score）

IoU（Intersection over Union）

P-R曲線（Precision-Recall Curve）和 AP

mAP（mean Average Precision）

?文章來源地址http://www.zghlxwxcb.cn/news/detail-652547.html

目標(biāo)檢測是計(jì)算機(jī)視覺領(lǐng)域中的一個(gè)重要任務(wù)，其目標(biāo)是在圖像或視頻中識別出物體的位置和類別。為了評估目標(biāo)檢測算法的性能，需要使用一系列指標(biāo)來量化模型的準(zhǔn)確性、召回率、精確率以及對不同類別的處理能力。本文將詳細(xì)介紹常見的目標(biāo)檢測性能指標(biāo)，包括精確率、召回率、F1分?jǐn)?shù)、IoU、AP、mAP、P-R曲線等，同時(shí)提供相關(guān)公式和案例。

精確率（Precision）和召回率（Recall）

精確率和召回率是評估目標(biāo)檢測模型性能的重要指標(biāo)，它們通常在二分類任務(wù)中使用。在目標(biāo)檢測中，精確率表示模型正確識別出的目標(biāo)數(shù)與所有被模型預(yù)測為目標(biāo)的框的數(shù)量之間的比例。召回率表示模型正確識別出的目標(biāo)數(shù)與總目標(biāo)數(shù)之間的比例。

?

公式如下：

準(zhǔn)確率（Accuracy）：Acc?= ( TP + TN ) / ( P +N )

精確率( precision )：TP / ( TP+FP ) = TP / P ?

召回率（recall））：TP / (TP + FN ) = TP / T

案例： 假設(shè)我們有一個(gè)目標(biāo)檢測模型在一組圖像上進(jìn)行測試，其中涉及10個(gè)目標(biāo)物體。模型識別出了8個(gè)目標(biāo)，其中6個(gè)是真實(shí)目標(biāo)（真陽性），2個(gè)是錯(cuò)誤識別的（假陽性），而實(shí)際上還有2個(gè)目標(biāo)未被識別（假陰性）。那么，精確率為6 / (6 + 2) = 0.75，召回率為6 / (6 + 2) = 0.75。

F1分?jǐn)?shù)（F1 Score）

F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均，用于綜合考慮模型的準(zhǔn)確率和召回率。F1分?jǐn)?shù)對于處理不平衡數(shù)據(jù)集或需要權(quán)衡精確率和召回率的情況非常有用。

公式如下：

?

案例： 假設(shè)一個(gè)目標(biāo)檢測模型的精確率為0.8，召回率為0.7。那么，F(xiàn)1分?jǐn)?shù)為2 * (0.8 * 0.7) / (0.8 + 0.7) = 0.7619。

IoU（Intersection over Union）

IoU是衡量預(yù)測邊界框和真實(shí)邊界框之間重疊程度的指標(biāo)，常用于評估目標(biāo)檢測框的質(zhì)量。IoU通過計(jì)算預(yù)測框和真實(shí)框的交集面積除以它們的并集面積來衡量。

公式如下：

通常，如果IoU大于某個(gè)閾值（例如0.5），則將預(yù)測框視為正確預(yù)測。

案例： 考慮一個(gè)目標(biāo)檢測任務(wù)，真實(shí)框的位置為[20, 30, 100, 150]，預(yù)測框的位置為[25, 35, 95, 145]。交集面積為(95 - 25) * (145 - 35) = 6000，真實(shí)框面積為(100 - 20) * (150 - 30) = 9000，預(yù)測框面積為(95 - 25) * (145 - 35) = 6000。并集面積為9000 + 6000 - 6000 = 9000。因此，IoU為6000 / 9000 = 0.6667。

P-R曲線（Precision-Recall Curve）和 AP

PR 曲線是用于衡量模型在不同召回率下的準(zhǔn)確性的一種圖形化表示方式。在目標(biāo)檢測中，召回率是指正確檢測出的正樣本數(shù)量與所有實(shí)際正樣本數(shù)量的比率，而精確率是指正確檢測出的正樣本數(shù)量與所有被模型預(yù)測為正樣本的樣本數(shù)量的比率。

用一個(gè)簡單的例子來演示平均精度（AP）的計(jì)算。假設(shè)數(shù)據(jù)集中總共有5個(gè)蘋果。我們收集模型為蘋果作的所有預(yù)測，并根據(jù)預(yù)測的置信水平（從最高到最低）對其進(jìn)行排名。第二列表示預(yù)測是否正確。如果它與ground truth匹配并且loU≥0.5，則是正確的。

?

表中，Rank一列表示框按置信度由高到低排列后的序號，correct表示該框是否正確，Precision表示計(jì)算出的精確率，Recall表示計(jì)算出的召回率。

精確率和召回率的計(jì)算是一個(gè)不斷累計(jì)的過程，而不是每個(gè)框獨(dú)立的。

例如：

在第一個(gè)框時(shí)，精確率 = 1/1 =1.0，召回率 =1/5 = 0.2；

在第二個(gè)框時(shí)，精確率 = 2/2 = 1.0，召回率 = 2/5 = 0.4；

在第三個(gè)框時(shí)，精確率 = 2/3 = 0.67，召回率 = 2/5 = 0.4；

……
這時(shí)，我們根據(jù)精確率和召回率，就能繪制出PR曲線：

?

AP是PR曲線下的面積，會設(shè)定采樣點(diǎn)，一般在橫軸0~1范圍內(nèi)平均分為10或者100段，最后采樣的值相加除以采樣點(diǎn)數(shù)。當(dāng)然還有別的方法。

?

mAP（mean Average Precision）

mAP是所有類別AP的平均值，通常用于衡量多類別目標(biāo)檢測任務(wù)的整體性能。它對模型在各個(gè)類別上的性能進(jìn)行綜合評估，能夠準(zhǔn)確反映模型在不同類別上的表現(xiàn)。

案例： 假設(shè)我們有一個(gè)多類別目標(biāo)檢測模型，對于每個(gè)類別計(jì)算得到的AP如下：

則mAP為(0.85 + 0.75 + 0.90 + 0.70) / 4 = 0.80。

?

目標(biāo)檢測性能指標(biāo)在評估模型在不同數(shù)據(jù)集和任務(wù)上的性能時(shí)起著重要作用。精確率、召回率、F1分?jǐn)?shù)、IoU、AP、mAP以及P-R曲線等指標(biāo)能夠綜合考慮模型在不同方面的表現(xiàn)，幫助我們更好地理解模型的優(yōu)勢和局限性。在實(shí)際應(yīng)用中，根據(jù)任務(wù)的特點(diǎn)和需求，選擇適合的指標(biāo)來評估模型的性能是至關(guān)重要的。

?

到了這里，關(guān)于計(jì)算機(jī)視覺目標(biāo)檢測性能指標(biāo)的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！