689 字
2 分钟
评价指标封装
为什么需要封装评价指标？
做深度学习实验时，经常需要同时算好几个指标——Accuracy、IOU、F1、Precision、Recall 等等。如果每个指标单独写一个函数，代码就会变得很零散，而且容易重复计算（比如 intersection 和 union 在多个指标里都要用）。把它们封装在一个函数里，一次计算、统一返回，既整洁又高效。
什么时候用哪个指标？
Accuracy（准确率）
- 适用场景：类别均衡的数据集
- 问题：如果正样本只占 1%，模型全预测为负样本也能有 99% 的准确率，但毫无意义。所以类别不平衡时别只看 Accuracy。
IOU（交并比）
- 适用场景：目标检测、语义分割
- 特点：比 Accuracy 更严格，因为只看预测为正的区域里有多少是真正正确的。IOU > 0.5 通常认为检测成功。
- 注意：IOU 对小目标不友好——小目标稍微偏移一点，IOU 就掉得很厉害。
Precision（精确率）和 Recall（召回率）
- Precision = TP / (TP + FP) —— 预测为正的样本中有多少是真的正
- Recall = TP / (TP + FN) —— 真实为正的样本中有多少被找出来了
两者通常此消彼长，所以需要 F1 来综合平衡。
F1 Score
- 适用场景：需要同时关注 Precision 和 Recall 的情况
- 特点：是 Precision 和 Recall 的调和平均数，对极端值更敏感（比算术平均更严格）
常见坑点
- 分母为零：如果预测结果全是负样本，precision 的分母 TP + FP = 0，直接除会报错。代码里最好加个判断，返回 0 或 NaN。
- 数据类型：mask 是布尔类型还是浮点类型？sum() 的结果是不是预期的？用 torch.float().sum() 比 .sum() 更安全，避免 bool 转 int 的隐式转换。
- IOU 和 Accuracy 的混淆：在分割任务中，Accuracy 算的是所有像素的正确率，IOU 算的是正类区域的交并比。如果物体很小，Accuracy 可能很高但 IOU 很低——两者都算才全面。
- batch 处理：上面的代码是单张图的，实际训练时要处理 batch。要么在 batch 维度上累加再算，要么每张图算完再平均。
封装后的代码
import torch
def calculate_evaluation_metrics(mask_true, mask_pred): intersection = torch.logical_and(mask_true, mask_pred).float().sum() union = torch.logical_or(mask_true, mask_pred).float().sum() iou = intersection / union
true_positive = torch.logical_and(mask_true, mask_pred).float().sum() false_positive = torch.logical_and(~mask_true, mask_pred).float().sum() false_negative = torch.logical_and(mask_true, ~mask_pred).float().sum()
precision = true_positive / (true_positive + false_positive) recall = true_positive / (true_positive + false_negative) f1_score = 2 * (precision * recall) / (precision + recall)
accuracy = (true_positive + torch.logical_and(~mask_true, ~mask_pred).float().sum()) / mask_true.numel()
metrics = { 'accuracy': accuracy.item(), 'iou': iou.item(), 'precision': precision.item(), 'recall': recall.item(), 'f1_score': f1_score.item() }
return metrics改进建议
上面的代码可以加一个 epsilon 避免除零：
def calculate_evaluation_metrics(mask_true, mask_pred, eps=1e-7): # ... 计算 TP, FP, FN ... precision = true_positive / (true_positive + false_positive + eps) recall = true_positive / (true_positive + false_negative + eps) iou = intersection / (union + eps) f1 = 2 * precision * recall / (precision + recall + eps) # ...这样在极端情况下也不会崩，在训练脚本里省心很多。
分享
如果这篇文章对你有帮助，欢迎分享给更多人！
部分信息可能已经过时
相关文章 智能推荐