测试集指标统计

统计准确率和召回率。为了计算准确率和召回率，需要以下信息：

1. 真阳性（True Positive, TP）：正确预测为正类的样本数。
2. 假阳性（False Positive, FP）：错误预测为正类的样本数。
3. 假阴性（False Negative, FN）：错误预测为负类的样本数。
4. 真阴性（True Negative, TN）：正确预测为负类的样本数。

计算准确率：
准确率 = (真阳性 + 真阴性) / 总样本数。
计算召回率：
召回率 = 真阳性 / (真阳性 + 假阴性)。
计算精确率：
精确率 = 真阳性 / (真阳性 + 假阳性)。

精确率 (Precision)：预测为正的样本中真实正的比例（TP/(TP+FP)）
召回率 (Recall)：真实正的样本中被正确预测的比例（TP/(TP+FN)）
F1-Score：精确率和召回率的调和平均
Support：每个类别的实际样本数
混淆数：每个类别的FP+FN总和

假设数据集只有两类：正类（positive）和负类（negative）。可以根据这些信息来计算准确率和召回率。

代码如下

结果图片格式：positive_0001_cls_positive.jpg  >>  图片真实标签_0001_cls_模型预测结果.jpg

import os
import glob

# 图片路径
img_p = r"/Train-main\projects\eat\workdir\results20250227".replace("\\", "/")

# 获取所有图片
img_list = glob.glob(f"{img_p}/**/*.jpg", recursive=True) + glob.glob(f"{img_p}/**/*.png", recursive=True)

# 初始化计数器
true_positive = 0
false_positive = 0
false_negative = 0
true_negative = 0

# 遍历所有图片  positive_0001_cls_positive.jpg  >>  图片真实标签_0001_cls_模型预测结果.jpg
for i in img_list:
    img_str = os.path.basename(i)
    img_lab = img_str.split("_")[0]
    pred_lab = img_str.split("_")[3].split(".")[0]
    
    if img_lab == "positive":
        if pred_lab == "positive":
            true_positive += 1
        else:
            false_negative += 1
    else:  # img_lab == "negative"
        if pred_lab == "positive":
            false_positive += 1
        else:
            true_negative += 1

# 计算总样本数
img_all = len(img_list)

# 计算准确率
accuracy = (true_positive + true_negative) / img_all

# 计算召回率（针对正类）
recall = true_positive / (true_positive + false_negative) if (true_positive + false_negative) > 0 else 0

# 计算精确率（针对正类）
precision = true_positive / (true_positive + false_positive) if (true_positive + false_positive) > 0 else 0

# 输出结果
print(f"Total images: {img_all}")
print(f"True Positive: {true_positive}")
print(f"False Positive: {false_positive}")
print(f"False Negative: {false_negative}")
print(f"True Negative: {true_negative}")
print(f"Accuracy: {accuracy:.4f}")
print(f"Recall: {recall:.4f}")
print(f"Precision: {precision:.4f}")

详细解释

1. 初始化计数器：

   • true_positive：真阳性计数器。
   • false_positive：假阳性计数器。
   • false_negative：假阴性计数器。
   • true_negative：真阴性计数器。

2. 遍历所有图片：

   • 从图片文件名中提取真实标签 img_lab 和预测标签 pred_lab。
   • 根据真实标签和预测标签更新计数器。

3. 计算总样本数：

   • img_all 是所有图片的数量。

4. 计算准确率：

   • 准确率 = (真阳性 + 真阴性) / 总样本数。

5. 计算召回率：

   • 召回率 = 真阳性 / (真阳性 + 假阴性)。

6. 计算精确率：

   • 精确率 = 真阳性 / (真阳性 + 假阳性)。

7. 输出结果：

   • 打印总样本数、真阳性、假阳性、假阴性、真阴性、准确率、召回率和精确率。