目标检测常用评价指标及其计算方法

这篇具有很好参考价值的文章主要介绍了目标检测常用评价指标及其计算方法。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一、目标检测常用评价指标

目标检测指标计算,目标检测,计算机视觉

二、速度指标

  • 前传耗时(ms):从输入一张图像到输出最终结果所消耗的时间,包括前处理耗时(如图像归一化)、网络前传耗时、后处理耗时(如非极大值抑制);
  • 每秒帧数FPS(Frames Per Second):每秒中能处理的图像数量;
  • 浮点运算量(FLOPS):处理一张图像所需要的浮点运算数量,跟具体软硬件没有关系,可以公平地比较不同算法之间的检测速度。

三、精度指标

1.混淆矩阵

目标检测指标计算,目标检测,计算机视觉
注:其中的 T/F 表示预测的对错、P/N表示预测的结果。

  • TP (True Positive):表示实际为正例,判定也为正例的次数,即表示判定为正例且判定正确的次数;
  • FP (False Positive): 表示实际为负例,却判定为正例的次数,即表示判定为正例但判断错误的次数;
  • TN (True Negative):表示实际为负例,判定也为负例的次数,即表示判定为负例且判定正确的次数;
  • FN (False Negative): 表示实际为正例,却判定为负例的次数,即表示判定为负例但判断错误的次数;

2.Precision、Recall、F1、Fβ

(1)Precision

精度Precision:表示正确判定为正例的次数与所有判定为正例的次数的比例,用来评估预测的是否准确;
目标检测指标计算,目标检测,计算机视觉

(2)Recall

查全率Recall:表示正确判定为正例的次数与所有实际为正例的次数的比例,用来评估找的全不全;

目标检测指标计算,目标检测,计算机视觉

(3)F1

F1是Precision和Recall的调和平均;
目标检测指标计算,目标检测,计算机视觉

(4)Fβ

Fβ是Precision和Recall的加权调和平均
目标检测指标计算,目标检测,计算机视觉

3IoU(Intersection over Union)

目标检测指标计算,目标检测,计算机视觉
注:红色框代表检测结果、黑色框代表真值。

IoU这一指标可以用来衡量外接矩形框框的准不准;

目标检测指标计算,目标检测,计算机视觉

4.FAR、FRR、FAR-FRR曲线

(1)FAR

FAR (False Acceptance Rate)是错误接受率,也叫误识率,表示错误判定为正例的次数与所有实际为负例的次数的比例。
目标检测指标计算,目标检测,计算机视觉

(2)FRR

FRR (False Rejection Rate)是错误拒绝率,也叫拒识率,表示错误判定为负例的次数与所有实际为正例的次数的比例。
目标检测指标计算,目标检测,计算机视觉

(3)FAR-FRR曲线

它反映了识别算法在不同阈值上,FRR(拒识率)和FAR(误识率)的平衡关系。其中横坐标是FRR(拒识率),纵坐标是FAR(误识率),等错误率(EER Equal-Error Rate)是拒识率和误识率的一个平衡点,等错误率能够取到的值越低,表示算法的性能越好。
目标检测指标计算,目标检测,计算机视觉

5.TPR、FPR、ROC曲线、AUC

(1)TPR

真正例率(True Positive Rate):真正例/所有正例;
目标检测指标计算,目标检测,计算机视觉

(2)FPR

假正例率(False Positive Rate):假正例/所有负例
目标检测指标计算,目标检测,计算机视觉

(3)ROC曲线

ROC(receiver operating characteristic curve)曲线是“受试者工作特征”曲线,是一种已经被广泛接受的系统评价指标。以FPR为横坐标、TPR为纵坐标,将每一个阈值所对应的(FPR,TPR)放入坐标系中。用线条将所有的点连接起来——此即为ROC曲线。
目标检测指标计算,目标检测,计算机视觉

  • 阈值选择:一般来讲,如果一个点越接近左上角(TPR越大,FPR越小),那么说明模型的预测效果越好。如果能达到左上角点(0,1),那就是最完美的结果了。在实际应用中选取最佳阈值的时候,还需要考虑对真阳性的要求以及对假阳性的容忍程度。
  • 模型比较:ROC曲线还可以用于不同模型的比较。右图中有三条 ROC 曲线,A 模型比 B 和 C 都要好。
    目标检测指标计算,目标检测,计算机视觉

(4)AUC

AUC(Area Under Curve):ROC曲线下方的面积,AUC 同样可以用于判断分类器优劣,一般来说,AUC 的值越大越好。
目标检测指标计算,目标检测,计算机视觉

6.P-R曲线、AP、mAP

(1)P-R曲线

选取不同的IOU值[0, 1],会得到不同的Recall和Precision值,将Recall作为自变量,Precision作为因变量构成的曲线称为P-R曲线;
目标检测指标计算,目标检测,计算机视觉

(2)AP和mAP

P-R曲线与坐标轴所围成区域的面积为当前类别的AP值,AP(Average Precision)用于评价模型在每个类别上的好坏;mAP是AP的平均值,用于评价模型在所有类别上的好坏。0<mAP<1,mAP值越大模型检测效果越好。
目标检测指标计算,目标检测,计算机视觉
注:N为缺陷类别总数文章来源地址https://www.toymoban.com/news/detail-740927.html

(3)P-R曲线与ROC的关系

  • 对于一个给定的包含正负样本的数据集,ROC空间和PR空间存在一一对应的关系
  • ROC曲线主要应用于测试集中的样本分布的较为均匀的情况,且当测试集中的正负样本的分布变化的时候,ROC曲线能够保持不变。ROC面对不平衡数据的一致性表明其能够衡量一个模型本身的预测能力,这个预测能力是与样本正负比例无关的。但是这个不敏感的特性使得其较难以看出一个模型在面临样本比例变化时模型的预测情况,此时用PR曲线更加能反映出分类器性能的好坏。

到了这里,关于目标检测常用评价指标及其计算方法的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【目标检测】评价指标:mAP概念及其代码实现(yolo源码/pycocotools)

    本篇文章首先介绍目标检测任务中的 关键 评价指标 mAP 的概念;然后介绍其在 yolo源码 和 pycocotools工具 中的实现方法;最后比较两种mAP的计算方法的不同之处。 目标检测中的评价指标: mAP概念及其代码实现(yolo源码/pycocotools) 混淆矩阵概念及其代码实现(yolo源码)   在分类

    2024年01月20日
    浏览(44)
  • 目标检测重要评价指标——mAP的含义及计算

    目标检测常见评价指标 1. 公开数据集 评价标准:pascal voc, coco,目前基本都在使用coco数据集。 2.评价指标 mAP: mean Average Precision, 即所有类别AP的平均值。 下面将介绍相关参数含义。 理论知识 : TP(True Positive) :与目标框(ground truth) IoU0.5的检测框数量 (同一个Ground Truth 只计

    2023年04月09日
    浏览(36)
  • 计算机视觉目标检测性能指标

    目录 精确率(Precision)和召回率(Recall) F1分数(F1 Score) IoU(Intersection over Union) P-R曲线(Precision-Recall Curve)和 AP mAP(mean Average Precision)   目标检测是计算机视觉领域中的一个重要任务,其目标是在图像或视频中识别出物体的位置和类别。为了评估目标检测算法的性能

    2024年02月12日
    浏览(55)
  • 深度学习应用篇-计算机视觉-OCR光学字符识别[7]:OCR综述、常用CRNN识别方法、DBNet、CTPN检测方法等、评估指标、应用场景

    【深度学习入门到进阶】必看系列,含激活函数、优化策略、损失函数、模型调优、归一化算法、卷积模型、序列模型、预训练模型、对抗神经网络等 专栏详细介绍:【深度学习入门到进阶】必看系列,含激活函数、优化策略、损失函数、模型调优、归一化算法、卷积模型、

    2024年02月09日
    浏览(56)
  • 【目标检测】目标检测的评价指标(七个)

    样本在计算机视觉的评价中是非常重要的概念,正样本比较好理解,是要检测的物体,负样本是不要检测的目标。这里负样本会有一些问题,首先负样本定义比较主观,其次负样本和正样本的量纲不在一个级别,那么实际算法中会把检测出的待选区域中的一部分作为正样本,

    2024年02月04日
    浏览(36)
  • 目标检测评价指标

    IoU(交并比) 1、IOU的全称为交并比(Intersection over Union), 是目标检测中使用的一个概念,IoU计算的是“预测的边框”和“真实的边框”的交叠率,即它们的交集和并集的比值 。 2、IoU等于“预测的边框”和“真实的边框”之间交集和并集的比值。 IoU计算如下图,B1为真实

    2024年02月05日
    浏览(37)
  • 目标检测网络的常见评价指标

    声明:原视频链接https://www.bilibili.com/video/BV13k4y1m7DY?spm_id_from=333.880.my_history.page.click 下面是我的笔记,截图均来自原视频。 举例说明:单类物体检测时,以人脸检测为例。如图 绿色 实线和虚线框:人脸的真实标注 红色 的实线框和虚线框:算法的检测结果 框左上角的 红色数

    2024年02月06日
    浏览(41)
  • 04- 评价指标mAP (目标检测)

    要点: Precision  (准确率 ): TP/(TP+FP) , 即模型给出的所有预测结果中命中真实目标的比例 。 Recall  (召回率): TP/(TP+FN) , 被找到的正确目标和所有正确目标的比值 。 官方文档: https://cocodataset.org/#detection-eval 参考文章: mAP的计算 TP   (True Positive): 一个正确的检测 ,检测

    2024年02月03日
    浏览(42)
  • 计算机视觉中常用的角点检测算法及其作用

    角点检测是计算机视觉中的重要任务,用于识别图像中的角点或关键点。以下是一些常用的角点检测算法: Harris角点检测 :Harris角点检测是一种经典的角点检测算法,它通过计算图像中每个像素的角点响应函数来检测角点。Harris角点检测对角点的响应最高,对边缘和平坦区

    2024年02月10日
    浏览(44)
  • 计算机视觉:图像质量评价指标之 PSNR 和 SSIM

    由上可见,PSNR相对MSE多了一个峰值,MSE是绝对误差,再加上峰值是一个相对误差指标  一般地,针对 uint8 数据,最大像素值为 255,;针对浮点型数据,最大像素值为 1。 上面是针对灰度图像的计算方法,如果是彩色图像,通常有三种方法来计算。 分别计算 RGB 三个通道的 P

    2024年02月15日
    浏览(44)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包