解决YOLOv3recall低的问题

最新推荐文章于 2024-11-18 10:19:13 发布
原创 最新推荐文章于 2024-11-18 10:19:13 发布 · 7.3k 阅读 · 22 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
收录于
错误

当前文章被收录于：

错误
5 篇文章 0 人学习
订阅专栏 查看详情
本文介绍了解决YOLOv3 recall低的问题的方法，通过修改detector.c中的validate_detector_recall函数，采用更有效的iou计算方式，从而提高模型检测的召回率。

解决YOLOv3recall低的问题

1、修改examples/detector.c中validate_detector_recall函数

list *plist = get _path("test.txt")  //你的验证集路径

2、计算recall

./darknet detector recall <.data> <.cfg> <.weights>

你会发现recall怎么这么低？
3、查到github上解决办法
fix error in validate_detector_recall #952
修改validate_detector_recall函数

            ++total;
            box t = {truth[j].x, truth[j].y, truth[j].w, truth[j].h};
            float best_iou = 0;
            // for(k = 0; k < l.w*l.h*l.n; ++k){
            for(k = 0; k < nboxes; ++k){  //用这个
                float iou = box_iou(dets[k].bbox, t);
                if(dets[k].objectness > thresh && iou > best_iou){
                    best_iou = iou;

4、查看是否提高了recall？
在这里插入图片描述

标签
#YOLOV3 #目标检测 #recall
pytorch问题汇总
jacke121的专栏
08-02 3365
问题汇总   1.cpu版性能比较慢，模型压缩 2.sgd训练后，训练准确率比较高，测试时，训练和测试准去率都特别低 3.单机多gpu训练，有的权重不能预测，精度比单机单gpu低。   问题：每次训练开始几个batch的recall特别低， 原因是shuffle=False,改为True即可，正常情况下，recall是一直增加的...
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
热门推荐
Snu77的博客
11-02 11万+
这篇博客，主要给大家讲解我们在训练yolov8时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据具体需求，我们可以选择更适合任务场景的模型和参数配置。最后祝大家学习顺利，科研成功，多多论文！！
为什么Precision高Recall就低——F1 score
猫头军师兵书
04-16 1万+
F-score
YOLOv10性能评估指标-＞mAP、Precision、Recall、FPS、IoU
Snu77的博客
07-13 5775
这篇博客，主要给大家讲解我们在训练yolov10时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生成多少个文件如下图所示，下面的文章讲解都会围绕这个结果文件来介绍。二、评估用的数据集。
准确率(Precision)、召回率(Recall)、F值(F-Measure)的简要说明
huacha__的博客
05-15 6784
      一般来说，precision是检索出来的条目（文档、网页）有多少是准确的；recall就是所有准确的条目有多少被检索出来了；      不妨举这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下：      正确率 = 700 / (700 + 200 + 100) = 70%  ...
《机器学习》-周志华 第二章：模型评估与选择 读书笔记
虎哥的铲屎员
12-06 966
文章目录1 经验误差与过拟合2.2评估方法2.3 性能度量2.3.1 分类任务常用的性能度量：错误率和精度2.3.2 查准率/准确率（precision）、查全率/召回率（recall）、F12.3.2 ROC曲线2.4 比较检验2.5 偏差与方差 1 经验误差与过拟合 错误率$E=\frac{a}{m}$$$ 精度(accuracy)$1-\frac{a}{m}$ 误差:$\hat y - y...
precison、recall、f1这三个值的高低分别能说明什么
最新发布
yxx122345的博客
11-18 4000
精确率表示在模型预测为正的样本中，真正为正的比例。召回率表示所有真实为正的样本中，被正确预测为正的比例。F1 值是精确率和召回率的调和平均数，用来综合衡量 Precision 和 Recall 的表现。
YOLOv3计算recall和mAP
sihaiyinan的博客
02-24 6454
yolov3计算mAP有两种方法，第一种是使用faster rcnn中的voc_eval.py进行计算，另一种是通过修改yolov3中的代码进行计算。相比较而言第一种方法简单一些。 方法一：使用voc_eval.py进行计算 在yolov3中运行vaild命令进行测试。vaild命令执行的代码如下 void validate_detector(char *datacfg, char *cf...
FPN YOLOv3 Faster R-CNN PR 曲线 Precision-Recall 曲线 绘制
SugerOO的博客
01-10 5050
本文所使用的代码库： FPN：https://github.com/DetectionTeamUCAS/FPN_Tensorflow YOLOv3：https://github.com/ultralytics/yolov3 Faster R-CNN：https://github.com/jwyang/faster-rcnn.pytorch 之前研究了半天，解决之后才发现很简单。。。 方法： 其实大...
YOLOv3评估recall、precision等指标
cc__cc__的博客
02-07 3899
我使用的是voc格式数据集，训练方法详见上篇博客：YOLOv3训练自己的VOC数据集 一、生成检测结果txt文本 ./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg xx.weight 如果没加-out选项则默认在results目录下生成txt文件，例如：comp4_det_test_car.txt 将生成的txt文件更名为 类别名...
Windows下使用Yolov3批量测试、结果保存、得到AP / MAP / recall
clover_my的博客
05-24 4767
Windows下使用Yolov3批量测试、结果保存、得到AP / MAP/ recall 1、用VS打开darknet的工程文件darknet.sln 2、找到detector.c进行修改 1）头文件添加 #include <sys/stat.h> #include<stdio.h> #include<time.h> #include...
Ubuntu18.04下YOLOv3详解——搭建、训练、测试、评估
夜夜coding到天明的博客
07-29 1万+
YOLOv3——搭建、训练、测试、评估环境搭建模型训练模型测试模型评估插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 环境搭建 我们对Markdown编辑器进行了一些功能拓展与语...
YOLOv11性能评估指标 AP、mAP、Precision、Recall、FPS、IoU、混淆矩阵、F1等YOLO相关参数指标讲解
Snu77的博客
10-15 3万+
这篇博客，主要给大家讲解我们在训练yolov11时生成的结果文件中各个图片及其中指标的含义帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生成多少个文件如下图所示，下面的文章讲解都会围绕这个结果文件来介绍。二、评估用的数据集。
YOLOv3recall低的问题
Sagacity_1125的博客
01-13 1196
https://blog.csdn.net/cnnmena/article/details/85262381
推荐系统评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)
mousever的专栏
09-21 5万+
下面简单列举几种常用的推荐系统评测指标： 1、准确率与召回率（Precision & Recall） 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。 一般来说，Precision就
yolov5训练结果————分类指标的学习
weixin_44783002的博客
10-19 6307
一：weights 包含best.pt（做detect时用这个）和last.pt（最后一次训练模型） 二：confusion 1：混淆矩阵： ①：混淆矩阵是对分类问题的预测结果的总结。使用计数值汇总正确和不正确预测的数量，并按每个类进行细分，这是混淆矩阵的关键所在。混淆矩阵显示了分类模型的在进行预测时会对哪一部分产生混淆。它不仅可以让我们了解分类模型所犯的错误，更重要的是可以了解哪些错误类型正在发生。正是这种对结果的分解克服了仅使用分类准确率所带来的局限性。 ②：在机器学习领域和统计分类问题中，混淆矩阵（英
sklearn【Recall】召回率介绍，以及实战代码！
高级数据分析师，分享Python知识
04-18 1643
在分类任务中，Recall（召回率）是一个关键的评估指标，用于衡量模型正确识别正例的能力。特别是在那些对正例误判损失较大的场景中，Recall尤为重要。本文将介绍如何使用sklearn库来计算Recall，并解释其背后的计算原理。首先，我们需要理解Recall的计算方式。Recall衡量的是所有真正为正例的样本中，被模型正确预测为正例的比例。
yolov5 的 mAP 和 召回率很低，但是精准率 AP还可以
weixin_43257313的博客
06-12 3792
yolo学习
yolov5训练的准确率比较低，召回率比较高的问题？
weixin_43501408的博客
12-23 4396
yolov5训练时准确率比较低
评论 3
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