计算机视觉 / 系统课时

理解精确率与召回率

理解精确率与召回率

Precision 和 Recall 都在回答“模型检测得好不好”,但关注的错误不同:Precision 关心报出来的目标有多少是真的,Recall 关心真实目标有多少被找到了。理解两者后,你就能判断模型是在“误报太多”还是“漏检太多”。

学习目标

  • 用 TP、FP、FN 正确计算 Precision 与 Recall
  • 解释两项指标分别对应的误报与漏检风险
  • 理解置信度阈值变化为什么会同时影响 Precision 和 Recall

从三个计数开始

在目标检测评估中,预测框需要先与真实标注匹配。通常要求类别正确,并且 IoU 达到评估阈值;匹配成功的预测记为 TP,未匹配的预测记为 FP,没有被任何预测匹配到的真实目标记为 FN。

记号 含义 直观解释
TP True Positive 真目标被正确检测
FP False Positive 模型报了目标,但其实不该报
FN False Negative 真目标存在,但模型漏掉了

Precision 与 Recall 分别为:

Precision=TPTP+FPPrecision = \frac{TP}{TP + FP}
Recall=TPTP+FNRecall = \frac{TP}{TP + FN}

可以看到,Precision 的分母是“模型一共报了多少”,而 Recall 的分母是“真实一共有多少”。

用一组数字算清楚

假设验证集中有 100 个真实目标。模型最终给出 90 个有效预测,其中 80 个成功匹配真实目标,那么 TP=80,FP=10;还有 20 个真实目标未被匹配,因此 FN=20。

此时:

Precision=8080+10≈88.9%Precision = \frac{80}{80 + 10} \approx 88.9\%
Recall=8080+20=80%Recall = \frac{80}{80 + 20} = 80\%

这组结果说明:模型报出的目标大多可信,但仍漏掉了五分之一的真实目标。仅看“预测了 90 个框”无法得到这个结论,必须把误报和漏检拆开。

置信度阈值会改变两者

推理时提高置信度阈值,会过滤掉更多低分预测。通常 FP 会减少,因此 Precision 可能上升;与此同时,一部分原本能匹配真实目标的低分预测也会被删掉,FN 增加,因此 Recall 可能下降。

反过来,降低阈值会保留更多候选框,Recall 往往提高,但也更容易引入 FP,使 Precision 下降。因此 Precision 与 Recall 不是互相替代的两个分数,而是共同描述模型在“少误报”和“少漏检”之间的取舍。

按业务代价选择关注点

如果误报会触发昂贵操作,例如自动告警、人工复核或设备停机,那么 Precision 通常更重要;如果漏掉目标的代价更高,例如安全缺陷、病灶候选或关键人员检测,则应优先守住 Recall。

模型评估时可以先写清业务容忍边界,例如“Recall 不低于 95%,在此基础上尽量提高 Precision”。这样调阈值和比较模型时就有明确标准,而不是只追求某个单一指标的最高值。

Precision 回答“我报出的有多准”,Recall 回答“该找的我找全了多少”。把它们与 FP、FN 的业务代价一起看,才是评估 YOLO 检测结果时真正有用的判断方式。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

理解精确率与召回率

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通