Author :Horizon Max
✨ 编程技巧篇:各种操作小结
机器视觉篇:会变魔术 OpenCV
深度学习篇:简单入门 PyTorch
神经网络篇:经典网络模型
算法篇:再忙也别忘了 LeetCode
TP
(True Positives):被 正确 的划分为 正样本 ;
TN
(True Negatives): 被 正确 的划分为 负样本 ;
FP
(False Positives): 被 错误 的划分为 正样本 ;
FN
(False Negatives):被 错误 的划分为 负样本 ;
精确率
(Precision):预测 正确 的部分在 预测框 中的占比,即 Precision = T P T P + F P \frac {TP} {TP+FP} TP+FPTP ;
召回率
(Recall):预测 正确 的部分在 真实框 中的占比,即 Recall = T P T P + F N \frac {TP} {TP+FN} TP+FNTP ;
准确率
(Accuracy):预测 正确 的部分在样本整体中的占比,即 Accuracy = T P + T N T P + T N + F P + F N \frac {TP+TN} {TP+TN+FP+FN} TP+TN+FP+FNTP+TN ;
PR曲线
:通过改变置信度为每个目标类别绘制出一条 Precision-Recall 曲线 ;
AP
(Average Precision):识别正确的样本数占识别样本总数的百分数,对应着PR曲线下面的面积 ;
mAP
(Mean Average Precision):所有类别AP值的平均数,通常将mAP作为评估模型性能的最终指标 ;
IoU
:表示预测框与真实框之间的重叠层度,IoU = 交 集 并 集 \frac {交集} {并集} 并集交集 = T P T P + F P + F N \frac {TP} {TP+FP+FN} TP+FP+FNTP ;
FPS
:帧每秒,用于评估模型检测的速度,FPS越高实时性越好 ;