Метрики Computer Vision: precision, recall, F1 и IoU — задачи

Детектор редко ошибается в найденных объектах, но пропускает большинство нужных. Можно ли назвать его хорошим? В этих заданиях нужно связать метрики с тем, что реально делает модель: кого она находит, кого пропускает и какие классы путает.

Начать практику: Precision и recall в ранжированном списке детектора.

Вопросы с выбором ответа. Проверка доступна без регистрации.

Как проходить

Начните с precision и recall в списке предсказаний, затем переходите к матрице ошибок и усреднению F1. В последнем вопросе высокая точность рамок соседствует с неверным подсчётом объектов: это уже проблема смысла разметки. Для ответа не нужно скачивать датасет или запускать обучение.

На что обратить внимание

Перед выбором ответа назовите знаменатель метрики. Precision относится к найденным объектам, recall — ко всем нужным объектам. При усреднении по классам отдельно проверьте, одинаковый ли вес получают редкий и частый классы.

Задания

1. Precision и recall в ранжированном списке детектора — вопрос.
2. Матрица ошибок: какие классы путает модель CV — вопрос.
3. F1 при высокой precision и низкой recall — вопрос.
4. Micro, macro и weighted F1: усреднение по классам — вопрос.
5. Высокий IoU, неверный подсчёт объектов: задача по CV — вопрос.

Продолжить обучение

Разберите тему по порядку в курсе Computer Vision Engineer: от детекции и Doc-AI до продакшна.

Связанная практика: Computer Vision на Python: рамки, маски и проверка инференса.