Börja med att räkna vad som hände
Ett verkligt objekt som matchats av ett godkänt fynd är en true positive, TP. Ett godkänt fynd utan korrekt match är en false positive, FP. Ett verkligt objekt som inte fått en match är en false negative, FN.
För objekt och masker måste du först bestämma vad en match är: rätt klass, tillräckligt överlapp och en tydlig regel för att undvika dubbla matchningar. Annars betyder antalen olika saker i olika körningar.
Gå djupare
Om två fynd pekar på samma verkliga objekt kan inte båda räknas som varsin korrekt träff. Konstruerade demos nedan börjar efter matchningen, så att du kan fokusera på tröskelns effekt. De kör inte NMS eller maskmatchning i webbläsaren.
Hur många fynd är rätt — och hur många objekt hittas?
Precision besvarar: av de fynd modellen visade, hur många var rätt? Recall besvarar: av objekten som verkligen fanns, hur många hittades?
Höj eller sänk tröskeln i exemplet. Färre kandidater betyder inte automatiskt en bättre modell. Du väljer en balans mellan vilka fel som är acceptabla i din uppgift.
- Precision
- 75%
- Recall
- 60%
- Rätt hittade
- 3
- Felaktiga fynd
- 1
- Missade
- 2
| Kandidat | Poäng | Bedömd match | Visas |
|---|---|---|---|
| A | 0.96 | Rätt | Visas |
| X | 0.88 | Fel | Visas |
| B | 0.76 | Rätt | Visas |
| C | 0.61 | Rätt | Visas |
| Y | 0.42 | Fel | Döljs |
| D | 0.31 | Rätt | Döljs |
Gå djupare
Precision = TP / (TP + FP). Recall = TP / (TP + FN). Om inga fynd visas är precision inte definierad i detta exempel; den ska inte automatiskt beskrivas som 100 %.
Med fem verkliga objekt och tröskeln 0,50 får vi TP=3, FP=1 och FN=2: precision 75 % och recall 60 %. Kandidaternas sanningsbedömning är fast. Det är en leksakstabell, inte ett mått på BadBobs kvalitet.
Att hitta objektet är inte samma sak som att följa kanten
I BadBobs experimentella recept · Recept granskat 29 oktober 2026
Intersection over Union, IoU, jämför överlappet med den totala ytan som täcks av två områden. För masker räknar man pixlar; för boxar rektangelytor.
Två masker som överlappar med 60 pixlar och tillsammans täcker 100 pixlar har IoU 0,60. En box kan ha hög IoU medan en smal del av masken fortfarande saknas. Titta på exemplen, inte bara genomsnittet.
Gå djupare
BadBobs experimentella utvärdering rapporterar bland annat TP, FP, FN och meanBestMaskIoU. Det sistnämnda är medelvärdet av varje facitinstans bästa klassmatchade masköverlapp. Det ersätter inte en-till-en-matchning eller ett AP/mAP-protokoll.
Ett medelvärde kan dölja att en viss klass eller typ av kant fungerar dåligt. Dela upp resultat efter klass, storlek och relevanta förhållanden. AP sammanfattar en precision–recall-kurva; exakt IoU- och medelvärdesprotokoll måste anges.
En hög poäng behöver prövas på nya bilder
En modell kan bli mycket bra på sitt träningsmaterial och ändå missa nya situationer. Ljus, bakgrund, avstånd, objektstorlek och skymda objekt är delar av uppgiften.
I Failure Bank kan du samla konkreta missar och välja vilken roll de ska ha framåt. Skyddade regressionsexempel ska inte flyttas in i träningen bara för att få ett snyggare utvärderingstal.
Gå djupare
Välj jämförelseprotokoll innan du jämför körningar: samma dataversion, klassmappning, trösklar och matchningsregler. Förbättra den svaga delen av systemet — data, märkning, recept eller efterbehandling — och gör om bedömningen.