YOLOv7混淆矩阵中Background FN与FP含义及解读问询

问题背景 #

使用YOLOv7开展垃圾检测任务，数据集仅包含垃圾和非垃圾两类目标，但模型自动生成的混淆矩阵中额外出现了Background FN行与Background FP列。原本以为二类任务的混淆矩阵仅含两行两列及常规TP、TN、FP、FN值，不清楚这两个额外项的来源，现在需要通过TP、TN等数值计算模型的准确率与误报率，却因无法理解Background类而受阻。

模型生成的混淆矩阵 #

核心问题解答 #

1. Background类的来源 #

YOLOv7是目标检测模型，和纯图像分类模型逻辑不同：目标检测不仅要判断目标类别，还要区分图像中「有目标的区域」和「无目标的背景区域」，这两个额外项就是由此产生的：

• Background FP列：模型错误地将图像中的背景区域识别为某类目标（非垃圾/垃圾），属于「背景误检为目标」的情况。比如空白区域被模型判定为垃圾，就会计入对应列。
• Background FN行：图像中实际存在的目标（非垃圾/垃圾），被模型判定为背景区域，属于「目标漏检为背景」的情况。比如图像里的垃圾未被模型识别出来，就会计入对应行。

2. 准确率与误报率的计算方法 #

如果按照常规二类图像分类的逻辑计算指标，只需提取混淆矩阵的前两行两列（即「非垃圾」和「垃圾」的交叉项）：

• TP（真阳性）：实际为垃圾，模型识别为垃圾 → 0.97
• TN（真阴性）：实际为非垃圾，模型识别为非垃圾 → 0.77
• FP（假阳性）：实际为非垃圾，模型识别为垃圾 → 0.02
• FN（假阴性）：实际为垃圾，模型识别为非垃圾 → 0.02

基于这些数值计算：

• 准确率（Accuracy）：(TP + TN) / (TP + TN + FP + FN) = (0.97 + 0.77) / (0.97 + 0.77 + 0.02 + 0.02) ≈ 0.973
• 误报率（False Positive Rate）：FP / (FP + TN) = 0.02 / (0.02 + 0.77) ≈ 0.025

如果要评估目标检测任务的完整性能，还需结合Background项：

• 总漏检率：包含「目标被误判为其他类别」和「目标被当成背景」的情况，即FN（类别误判） + Background FN对应值
• 总误检率：包含「其他类别被误判为目标」和「背景被误判为目标」的情况，即FP（类别误判） + Background FP对应值

内容的提问来源于stack exchange，提问作者RygelKenoid