Image processing 如何计算分割模型的精度？

我使用边界盒技术评估分割模型。然后我 对每个图像的TP、FP、TN和FN值求和。总的图像是 10（下表中的行数）。我需要计算这个模型的准确度。 准确度方程=（TP+TN）/（TP+FP+FN+TN）

（TP+FP+FN+TN）是总数。我把这里的总数搞糊涂了……（实际的和预测的

问题是：在这种情况下，总数的值是多少？为什么

imgNo TP    FP  TN  FN
   1    4   0   0   0
   2    6   1   1   0
   3    2   3   0   0
   4    1   1   1   0
   5    5   0   0   0
   6    3   1   0   0
   7    0   3   1   0
   8    1   0   0   0
   9    3   2   1   0
  10    4   1   1   0

---

非常感谢您的帮助。

TP:True-Positive是您在图像中正确识别的对象数

FP：假阳性是指您识别的对象，但实际上这是一个错误

TN：真阴性是指您未能识别的对象

FN：在目标检测案例中是没有意义的。在背景中可能是的。在你的实验中无论如何都是0

---

因此，TP+TN=真实的总案例数。不要包括FN，因为这是错误的检测。

对于预测数据或地面真实数据，总计是多少。我得到两个不同的总和。你能帮我吗？我混淆了总计（TP+FP+FN+TN）用于计算所有4种类型的可能性。只是一种数学方法。还有很多方法-取决于您的需要。参考维基百科上的接收器操作特征以获得更多想法-您所说的“分段部分的总数”是什么意思？它是某一列的总和？还是其他任何东西？当算法未能检测到所有列时，算法分割中的行数可能小于基本真值分割。好的，所以这就是你所说的列的总和。当算法未能检测到所有列时，算法分割中的行数可能小于基本真值分割。O在总共2652个边界框中，算法只能找到2629个框，而（2652-2629）=22个框失败。是的，这是正确的，精度（有时也称为“精度”）=在所有预测中，有多少是正确的。召回=在所有正确的案例中，有多少是可以正确识别的。精度分母为TP+FP，召回分母为TP+FN