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”:
召回率回答“所有真实目标中,有多少被找到了”:
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 ,召回率为 。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。