计算机视觉 / 系统课时

精确率与召回率

精确率与召回率

评估检测模型时,只看“预测对了多少”容易掩盖问题。本课将从误检和漏检出发,计算精确率与召回率,并说明置信度阈值变化为什么会让两项指标此消彼长。

学习目标

  • 区分真正例、假正例和假负例
  • 正确计算精确率与召回率
  • 根据业务代价判断应优先关注哪项指标

从误检和漏检出发

目标检测中,预测框与真实目标匹配且类别正确,记为真正例 TP;模型输出了错误目标,记为假正例 FP;真实目标存在但模型没有检出,记为假负例 FN。

情况 含义 主要问题
TP 正确检测到目标 有效结果
FP 检出了不存在或类别错误的目标 误检
FN 漏掉了真实目标 漏检

对象检测通常重点统计 TP、FP 和 FN。背景区域数量极大,因此真负例 TN 很少直接用于核心检测指标。

两个指标如何计算

精确率回答“模型报出的目标中,有多少是真的”:

Precision=TPTP+FP\text{Precision}=\frac{TP}{TP+FP}

召回率回答“所有真实目标中,有多少被找到了”:

Recall=TPTP+FN\text{Recall}=\frac{TP}{TP+FN}

假设模型正确检出 80 个目标,误检 20 个,并漏检 40 个,则精确率为 80/(80+20)=80%80/(80+20)=80\%,召回率为 80/(80+40)≈66.7%80/(80+40)\approx66.7\%。这说明模型输出较可信,但仍漏掉了约三分之一的真实目标。

阈值取舍与实际使用

提高置信度阈值会过滤更多低分预测,误检往往减少,因此精确率可能提高;与此同时,一部分真实但得分较低的目标也会被删除,召回率可能下降。降低阈值通常会保留更多候选框,召回率可能提高,但误检也可能增加。

安全告警、缺陷检测等漏检代价高的场景,应重点关注召回率;自动审核、错误拦截等误检代价高的场景,应重点关注精确率。实际项目还应结合 PR 曲线、F1 值和 mAP,并按类别检查结果,避免总体指标掩盖少数类别的问题。

精确率高不代表漏检少,召回率高也不代表预测可靠。不同实验只有在测试数据、置信度阈值和 IoU 判定标准一致时,指标才适合直接比较。

本课总结

  • 精确率主要衡量误检,召回率主要衡量漏检
  • 调整置信度阈值通常会改变两项指标之间的平衡
  • 评估结论必须结合业务代价、类别表现和统一测试条件

下一课预告

下一课将进一步学习 IoU 与 AP,理解检测框匹配方式如何影响最终评估结果。

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

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