目标检测指标TP、FP、TN、FN和Precision、Recall

最新推荐文章于 2026-05-22 10:19:57 发布
原创 最新推荐文章于 2026-05-22 10:19:57 发布 · 8.5k 阅读 · 38
标签
#深度学习 #机器学习
本文介绍了目标检测中的关键指标，包括IOU（Intersection over Union）、Precision（精确度）、Recall（召回率）。IOU用于衡量检测框与真实框的重合程度，Precision和Recall则分别表示正确检测目标的比例。文章通过实例解释了TP、FP、TN和FN的概念，并指出不能仅依赖Precision或Recall评估模型性能，而是需要考虑AP（Average Precision）和mAP（mean Average Precision）来综合评估。

目标检测指标TP、FP、TN、FN，Precision、Recall

1. IOU计算

在了解Precision(精确度)、Recall（召回率之前我们需要先了解一下IOU(Intersection over Union，交互比)。交互比是衡量目标检测框和真实框的重合程度，用来判断检测框是否为正样本的一个标准。通过与阈值比较来判断是正样本还是负样本。一般来讲，当预测框和真实框IOU>=0.5时，被认为是正样本。
在这里插入图片描述

IOU=SIntersectionSUnion=S2S1+S2+S3 IOU = \frac{ { {S_{Intersection}}}}{ { {S_{Union}}}}{\rm{ = }}\frac{ {S2}}{ {S1 + S2 + S3}} IOU=SUnion​SIntersection​​=

最低0.47元/天 解锁文章
TODAY'S
关注
万字长文精解目标检测中的TP、FP、FN、TN、Precision、Recall 、 F1 Score、AP、mAP与AR 。附代码实现。
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-16 8661
mAP（Mean Average Precision）是用于评估对象检测和信息检索系统性能的重要指标。它综合考虑了检测结果的精确度（Precision）和召回率（Recall），提供了一个整体的性能评价。你是否见过下面的表格？这是COCO版本的mAP（即平均精度，他们简称之为AP）。但这个指标到底代表什么呢？这些符号又都代表什么含义呢？在本文中，我们将详细讲解所有必要的理论知识，不仅帮助你解读表格中的数据，还能让你理解采用这种复杂指标的必要性。
一文讲清楚目标检测中mAP、AP、precison、recall、accuracy、TP、FP、FN、TN
熬过夜、救过火，蹲过机房、改过屎山，填过没人管的坑、背过没人要的锅。
01-28 1万+
其中，BB表示BoundingBox，GT=1表示GT与预测的BoundingBox的IoU>=IoU_th，BoundingBox序号相同代表所对应的GT是同一个。但在工程应用中，物体是否被正确检测到，还是需要具体的confidence_th和IoU_th，工程上更关心在固定的confidence_th和IoU_th下的准确率。注意，FN是从Ground Truth中取，就是如果有n个类似这种的confidence
机器学习分类指标详解：TP、FP、FN、TN、准确率、精确率、召回率通俗理解
最新发布
wjx810901的博客
05-22 679
在分类模型训练、效果评估场景中，混淆矩阵衍生出的 TP、FP、FN、TN 四个基础指标，以及准确率、精确率、召回率，是评判模型好坏的核心依据。很多初学者容易混淆几组指标含义与计算公式，本文用通俗案例 + 公式推导，理清指标定义、相互关系与适用场景，轻松看懂分类评估标准。以二分类任务为例，样本只分为正类、负类TP（True Positive）真正例真实为正，模型预测也为正，预测正确。FP（False Positive）假正例真实为负，模型误判为正，预测错误。FN（False Negative）假负例。
【机器学习】【深入浅出】混淆矩阵全解析：搞懂 TP、FP、TN、FN 与分类模型评估
weixin_41645791的博客
02-21 1万+
本文以通俗易懂、幽默风趣的方式详细解析了混淆矩阵的定义、计算方法和实际作用。从二分类的四个核心指标——真正例（TP）、假阳性（FP）、真负例（TN）、假阴性（FN）出发，本文讲解了如何利用混淆矩阵评估模型性能，并进一步衍生出准确率、精确率、召回率和 F1-score 等关键指标。文章还通过医疗诊断等案例，展示了混淆矩阵如何帮助我们区分漏诊与误诊，并给出记忆技巧，助你快速掌握 TFPN 概念。喜欢本文的朋友请点赞、收藏、转发和关注我的博客，共同探索数据科学的魅力！
TP、TN、FP、FN超级详细解析
热门推荐
奋斗の博客
11-21 11万+
以西瓜数据集为例，我们来详细解释一下什么是TP、TN、FP以及FN。 一、基础概念 TP：被模型预测为正类的正样本 TN：被模型预测为负类的负样本 FP：被模型预测为正类的负样本 FN：被模型预测为负类的正样本 二、通俗理解（以西瓜数据集为例） 以西瓜数据集为例，我们来通俗理解一下什么是TP、TN、FP、FN。 TP：被模型预测为好瓜的好瓜（是真正的好瓜，而且也被模型预测为好瓜） TN：被模型预测为坏瓜的坏瓜（是真正的坏瓜，而且也被模型预测为坏瓜） FP：被模型预测为好瓜的坏瓜（瓜是真正的坏瓜，但是
目标检测中的常见指标
qq_42958831的博客
11-23 4914
TP、TN、FP、FN。
【目标检测】评判指标：TP、TN、FP、FN、Precision、Recall、mAP。
See_Star的博客
02-19 6586
交并比IoU、准确率precision、查全率recall、mAP概念通俗解释。
Detection：目标检测常用评价指标的学习总结（IoU、TP、FP、TN、FN、Precision、Recall、F1-score、P-R曲线、AP、mAP、 ROC曲线、TPR、FPR和AUC）
目前涉及领域：目标检测，语义分割以及数字图像处理
11-08 1万+
1. 第一部分介绍IoU这个指标的含义和计算方法。 2. 第二部分介绍TP、FP、TN、FN这四个指标的含义，以及在目标检测中的使用方法。 3. 第三部分介绍Accuracy、Precision、Recall、F1-score这四个指标的含义，以及在单类别和多类别下的计算方法。 4. 第四部分介绍P-R曲线、AP和mAP这个三个指标的含义和计算方法。 5. 第五部分介绍ROC曲线和AUC这个两指标的含义和计算方法。 6. 最后还最后还附上了yolov5计算指标代码的部分解释，并举例说明。详情参见附录。
目标检测的评价指标（TP、TN、FP、FN、Precision、Recall、IoU、mIoU、AP、mAP）
XinyanH的博客
10-25 2万+
1. TP TN FP FN GroundTruth 预测结果 TP（True Positives）： 真的正样本 =【正样本 被正确分为 正样本】 TN（True Negatives）： 真的负样本 = 【负样本 被正确...
mmdetection-coco-实现单个图像的Recall和Precision计算(Recall是想找出漏检了哪些badcase,Precision是误检了哪些)
baidu_40840693的博客
01-13 7051
目标检测的评价指标（TP、TN、FP、FN、Precision、Recall、IoU、mIoU、AP、mAP） https://www.cnblogs.com/geoffreygao/p/14095701.html 目标检测的评价指标（TP、TN、FP、FN、Precision、Recall、IoU、mIoU、AP、mAP） https://blog.csdn.net/xinyanh/article/details/102733730 mmdetection_inference.py temp_b
目标检测中的一些评价标准（ACC,Precision，recall，AP,MAP,F1Score，ROC,AUC）
justsolow的博客
04-17 8437
目标检测中的一些评价标准（ACC,Precision，recall，AP,MAP,F1Score，ROC,AUC） 介绍这些之前，应该了解一下最基本的TP,TN,FP,FN. 先看一下下面这些解释。 True positives: 简称为TP，即正样本被正确识别为正样本，飞机的图片被正确的识别成了飞机。 True negatives: 简称为TN，即负样本被正确识别为负样本，大雁的图片没有被识别出...
睿智的目标检测2——mAP的概念
Bubbliiiing的学习小课堂
10-09 1万+
睿智的目标检测2——mAP的概念学习前言什么是TP、TN、FP、FN什么是Precision和Recall计算mAP 学习前言 在Github上我们可以看到许多模型，他们都有mAP值的评价指标，如下图所示： 这到底是个啥呢？我查了好久的资料…… 什么是TP、TN、FP、FN TP的英文全称为True Positives，其指的是被分配为正样本，而且分配对了的样本，代表的是被正确分类的正样本，。......
目标检测评估指标
慕溪同学的博客
03-06 4248
大家在看目标检测论文的时候，经常会遇到mAP@0.5或者mAP@[0.5:0.95]和精度等等评估指标，自己最开始在发论文的时候对这些品估指标也总是会产生惯性思维，导致很多概念会混淆，所以也是查阅很多文献和博客去理解，但是很多博主讲的其实也不够通俗，比较偏概念化，最后将自己的理解和查阅到的内容整理了一下并列举相关例子便于大家理解。mAP@0.5，这种形式表示在IOU阈值为0.5的情况下，mAP的值为多少。指的是被分配为负样本，而且分配对了的样本，代表的是被正确分类的负样本，在mAP评价指标中不会使用到。
理解目标检测当中的mAP
hsqyc的博客
08-16 6万+
我们在评价一个目标检测算法的“好坏”程度的时候，往往采用的是pascal voc 2012的评价标准mAP。 网上一些资料博客参差不齐，缺乏直观易懂的正确说明。希望这篇博文能够给大家一点帮助。 mAP历史 目标检测的mAP计算方式在2010年的voc上发生过变化，目前基本都是采用新的mAP评价标准。（我有个小疑问就是明明是2010年修改的，但是貌似现在大家都称这种计算方式为2012）所...
目标检测 相关参数说明 IOU/AP/MAP
FREEDOM
10-25 4364
网上一些资料博客参差不齐，缺乏直观易懂的正确说明。希望这篇博文能够给大家一点帮助。 mAP历史 目标检测的mAP计算方式在2010年的voc上发生过变化，目前基本都是采用新的mAP评价标准。（我有个小疑问就是明明是2010年修改的，但是貌似现在大家都称这种计算方式为2012）所以你查到的有一些博客上记录的是之前的mAP评价标准。 但是，知乎上有一个回答，是完全错误的。而且很多评论已经指出来了，但是回答者一直没有修改。这个回答也曾经误导过我。目标检测中的mAP是什么含义？ - 许博雅的回...
查漏补缺(2) TP/FP/TN/FN、accuracy/precision/recall、IOU、mAP
清欢
08-13 844
文章目录0. 前言1. TP/FP/TN/FN 与 accuracy/precision/recall1.1. TP/FP/TN/FN1.2. accuracy/precision/recall2. IOU3. mAP3.1. 基本思路3.2. 实例3.2. TODO：源码分析 0. 前言 引入 在目标检测中，mAP是常用的性能指标，但一直没有完全搞清楚。 好像对于不同的数据集/任务，使用的mAP也有不同，比如Pascal VOC和COCO的就有所不同。 在计算mAP的过程中会用到IOU，而IOU的计
理解目标检测中的mAP与F1 Score
椰子奶糖的博客
05-20 1万+
文章目录总述IoUTP、TN、FP、FNPrecisionRecallF1-ScoremAPmAP计算过程： 总述 要理解mAP与F1 Score需要一些前置条件，比如：IoU、FP、TP、FN、TN、AP等 IoU 衡量监测框和标签框的重合程度。一张图就能解释。 TP、TN、FP、FN TP，即True Positives，表示样本被分为正样本且分配正确。 TN，即True Negatives，表示样本被分为样本且分配正确。 FP，即False Positives，表示样本被分为正样本但分配错
基础概念——TP、FP、TN、FN、IOU、PR、AP、Interpolated AP、AUC、mAP
jindaxiaoooo的博客
03-11 7436
TP、FP、TN、FN 都是站在预测的立场看的： TP：预测为正是正确的 FP：预测为正是错误的 TN：预测为负是正确的 FN：预测为负是错误的 准确率(accuracy),精确率(Precision)和召回率(Recall) 准确度：分类器正确分类的样本数与总样本数之比 （TP+TN）/ (TP+TN+FP+FN) 精确度：所有被预测为正样本的样本中预测对的比例 (TP) / (TP+NP) 召回率：被正确预测的正样本占所有正样本的比例 （TP）/ (TP+FN) ...
TP、FP、Precision、Recall、PR 曲线、IoU 与 mAP
kkx2002的博客
08-01 989
在所有被模型“预测为正”的样本中，有多少是真正为正的？关注预测的准确性精确率越高 → 模型越不容易误报（FP 少）PR 曲线描述了模型在不同置信度阈值下的精确率与召回率的变化关系。横轴：Recall（召回率）纵轴：Precision（精确率）IoU=预测框 ∩ 真实框预测框 ∪ 真实框评价预测框与真实框的重合程度范围：[0, 1]，越大越好指标公式关注点应用场景IoU交并比区域重合度检测框质量Precision准确性医疗、安防等需控制误报的场景Recall完整性。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值