- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
语义分割性能指标_语义分割评价指标
文章目录 语义分割的评价指标 IoU or IU（intersection over union） pixcal-accuracy （PA，像素精度） 参考资料 语义分割的评价指标 在整理评价指标之前， 我们在进行语义分割结果评价的时候，常常将预测出来的结果分为四个部分：true positive,false positive,true negative,false negative,其中negative IoU or IU（intersection over union） IoU指标就是大家常说的交并比，在语义分割中作为标准度量一直被人使用。 交并比不仅仅在语义分割中使用，在目标检测等方向也是常用的指标之一。 , :, :] = pred.cpu() acc = iou(preds, gts) return acc pixcal-accuracy （PA，像素精度） 基于像素的精度计算是评估指标中最为基本也最为简单的指标
1K40编辑于 2022-09-25 - 来自专栏全栈程序员必看
语义分割的评价指标_语义分割数据集
前言 现存其实已经有很多博客实现了这个代码，但是可能不完整或者不能直接用于测试集的指标计算，这里简单概括一下。 一些概念、代码参考： [1] 憨批的语义分割9——语义分割评价指标mIOU的计算 [2]【语义分割】评价指标：PA、CPA、MPA、IoU、MIoU详细总结和代码实现（零基础从入门到精通系列！） [3] 【语义分割】评价指标总结及代码实现 混淆矩阵 语义分割的各种评价指标都是基于混淆矩阵来的。 对于一个只有背景0和目标1的语义分割任务来说，混淆矩阵可以简单理解为： TP（1被认为是1） FP（0被认为是1） FN（1被认为是0） TN（0被认为是0） 各种指标的计算 1. 上述给出了两种指标的计算方式。
1.8K50编辑于 2022-09-25 - 来自专栏贾志刚-OpenCV学堂
深度学习图像语义分割常见评价指标详解
微信公众号：OpenCV学堂 关注获取更多计算机视觉与深度学习知识 图像语义分割 深度学习已经应用在计算机视觉领域多个方面，在最常见的图像分类、对象检测、图像语义分割、实例分割视觉任务都取得了良好的效果 有时候评价指标也会依赖于模型的应用场景而有所不同，精准度对一些严苛的使用场景是优先考虑的，速度是对一些实时应用场景优先考虑的。对语义分割模型来说，通常用下面的一些方法来评价算法的效果。 No.2 内存占用 对所有的语义分割模型来说，内存是另外一个重要因素，尽管多数场景中内存是可以随时扩充的，但是在一些嵌入式设备上，内存也是很珍贵的，即时高端GPU卡，内存也不是无限制可以消费的，所以网络的对内存的消耗也是一个评估考量的指标 平均并交比 03 MIoU-Mean Intersection over Union 这是语义分割网络的一个标准评价指标，它通过计算交并比来度量，这里交并比代指ground truth与预测分割结果之间 上述四种精度计算方法，MIoU是各种基准数据集最常用的标准之一，绝大数的图像语义分割论文中模型评估比较都以此作为主要技术指标。常见如下： ? ?
4.9K10发布于 2019-12-24 NoETL 语义编织 vs 传统 ETLELT，指标平台选型深度对比
Aloudata CAN 的本质是基于 NoETL 语义编织的动态计算引擎，其核心是通过将业务语义与物理存储解耦，从根本上颠覆了传统以物理宽表为核心的指标生产模式。 范式要素传统模式 (物理宽表驱动)Aloudata CAN (语义模型驱动)核心对象物理表（DWS/ADS 宽表）语义模型（虚拟业务事实网络）指标定义硬编码在 ETL 脚本中声明式配置（基础度量、业务限定 定义即开发：业务人员或数据工程师通过界面，像搭积木一样配置指标的四大语义要素（如“近 30 天”、“成功支付的”、“日均交易金额”），平台自动生成最优执行 SQL，实现零代码开发。 Aloudata CAN 是在这些强大引擎之上，构建统一、敏捷的“业务语义层”和“智能物化加速器”，让好引擎能持续、高效地产出可信、好用的数据，根治指标不一致问题。 当 AI 或用户用自然语言提问时，大模型只负责意图理解并生成标准的指标查询语言（MQL），然后由平台的语义引擎将 MQL 翻译为 100% 准确的优化 SQL。
12710编辑于 2026-02-10数据工程指南：指标平台选型避坑与 NoETL 语义编织技术解析
核心短板业务表现技术根因隐性成本口径乱业务与 IT、部门与部门间对同一指标（如“活跃用户”、“毛利率”）定义不一致，会议沦为“数据辩论会”。指标定义与物理宽表强耦合，缺乏企业级唯一语义定义层。 短板一：根治“口径乱”——从静态目录到动态语义引擎传统指标平台或 BI 内置的指标模块，本质是静态的元数据目录（Catalog）。 静态元数据目录：仅记录指标出处，依赖底层已存在的物理宽表。动态语义计算引擎：在逻辑语义层定义指标，直接基于 DWD 明细数据动态计算，无需预建宽表。技术架构如何平衡灵活性与性能？ 核心要点架构范式革新：根治指标顽疾的关键，是从“物理建模”转向“语义建模”。 Aloudata CAN 的 NoETL 语义编织技术，通过构建与存储解耦的统一语义层，实现了指标的逻辑定义与物理执行的分离。
16210编辑于 2026-02-02- 来自专栏计算机视觉理论及其实现
最新基于深度学习的语义分割技术讲解（含论文+指标+应用+经验）
在计算机视觉领域，有一个方向是语义分割，一般是针对图像进行像素级分类。具体而言，语义图像分割就是将每个像素都标注上其对应的类别。由于所有的像素都要考虑到，因此语义图像分割任务也被视为是稠密预测的一种。 7.RefineNet使用CNN最后一层的特性可以生成soft对象段的边界。在DeepLab算法中避免了这个问题深黑色的卷曲。 9.CNN+RNN方案及其他一系列模型语义分割常见指标：FN：False Negative,被判定为负样本，但事实上是正样本。 FP：False Positive,被判定为正样本，但事实上是负样本。 7.更高级的优化器LookAhead等优化器。Lookahead 算法与已有的方法完全不同，它迭代地更新两组权重。 在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。
5.3K41编辑于 2022-09-03 指标中台选型技术实测：如何通过 NoETL 语义层驾驭复杂 SQL 生成
例如，某头部连锁餐饮企业曾为支撑分析，维护了数百个构建时间长达 7-9 小时的 Kylin Cube，灵活性极差。幻觉风险高企：直接依赖大模型“猜测”SQL 的路径，在复杂查询中错误率惊人。 本质区别在于：Aloudata CAN 通过语义层，将“如何写 SQL”的开放性问题，收敛为“选择哪个已定义的指标、应用哪些筛选条件”的选择题。 高质量语义知识图谱：平台中沉淀的指标口径、血缘、业务描述等信息，构成了高度结构化的业务知识图谱。 AI Agent 无需学习复杂的 SQL 语法，只需调用“查询指标”函数并传入参数（如指标名、筛选维度），即可通过语义层获得可靠结果。 架构需面向未来“AI 原生”：一个现代的指标平台应是 AI-Ready 的数据底座，提供结构化的语义知识图谱和标准化的服务接口。Aloudata CAN 的语义编织层天然扮演了这一角色。
22110编辑于 2026-02-05- 来自专栏TestOps云层
测试人员7个悲剧且无用的kpi指标...
测试指标应该始终是有意义的、可执行的。问题是有些测试指标无法达到这一目标。许多指标都是误导，有些只是稍微还有点价值，而有些则毫无意义。 7个无用测试指标还统计？把这篇文章给老板看看！尤其是第二点！ 下面这些无用的测试指标的例子可以帮助你更好地判断，你现在所用的测试指标是否能够对软件质量彻底洞察。 3.通过率百分比 使用通过率作为度量指标这个主意不好，因为在软件开发团队中，很容易操纵这种指标——这是不鼓励的行为。 例如，测试团队可能会专注于执行更容易通过的测试，从而提高通过率。 换句话说，这个指标变化无常，易于操纵。 4.单元测试代码覆盖率 代码覆盖率是另一个常用的度量指标，但是这一指标常常被错误使用。 代码覆盖率是指单元测试覆盖的代码行百分比。 7.缺陷密度 缺陷密度是指软件中检测到的、得到确认的缺陷数量。通常认为较低的缺陷密度等同于较低的软件质量，但这并不是真的。
1.2K20编辑于 2022-04-04 - 来自专栏数据分析之旅
数据指标体系搭建的7个思考点
为了对现状进行监测和预警，我们常常会建立起一套数据指标体系，同时搭建和完善体系也应该是数据分析师的一项基本功，结合实际工作中经验，总结了这个搭建过程的7个思考点： 1. 目标 目标，不仅要求我们梳理好业务流程（例如常见的转化率漏斗、AARRR模块），也要求我们明确好目标受众对象，建立面向管理层的核心指标，面向业务部门的二级指标，面向个人KPI的三级指标，尽可能与 数据指标 数据指标，将业务问题量化为数字的变量。常见的有：数量、占比、比率等，一个好的指标通常是一个比率，因为这个比率通常可以连接分子、分母，而不是割裂来看 4. 数据字典 数据字典也是数据指标体系的一部分，可包括内容：指标名称、类型、统计周期、业务逻辑、数据源、数据逻辑等内容 7. 反馈闭环 数据指标体系的搭建不是一蹴而就的，需要结合业务部门的实际需求不断完善。
1.1K31发布于 2020-08-13 - 来自专栏云计算教程系列
如何在CentOS 7上使用InfluxDB分析系统指标
在本指南中，我们将介绍： 如何在CentOS 7上安装和配置InfluxDB。 如何将系统监视数据从collectd系统统计守护进程提供给InfluxDB。 它使用TOML格式，它看起来非常类似于INI配置格式，并且由于其明显的语义而被设计为易于阅读。 在我们自定义配置之前，请备份原始配置。 x86_64/e/epel-release-7-5.noarch.rpm 然后安装collectd。 这是一个例子： 第7步 - 安装和启动Grafana 我们可以使用InfluxDB的Web界面来探索数据并从时间序列数据中可视化系统趋势。 参考文献：《How To Analyze System Metrics with InfluxDB on CentOS 7》
4.6K10发布于 2018-09-19 - 来自专栏云计算教程系列
如何在CentOS 7上使用InfluxDB分析系统指标
在本指南中，我们将介绍： 如何在CentOS 7上安装和配置InfluxDB。 如何将系统监视数据从collectd系统统计守护进程提供给InfluxDB。 先决条件 在开始之前，您需要以下内容： 一个64位CentOS 7 腾讯CVM。服务器所需的CPU，RAM和存储量取决于您要收集的数据量，但通常只需2GB RAM和2个CPU即可。 它使用TOML格式，它看起来非常类似于INI配置格式，并且由于其明显的语义而被设计为易于阅读。 在我们自定义配置之前，请备份原始配置。 x86_64/e/epel-release-7-5.noarch.rpm 然后安装collectd。 参考文献：《How To Analyze System Metrics with InfluxDB on CentOS 7》
4.2K30发布于 2018-09-20 以 NoETL 指标语义层为核心：打造可信、智能的 Data Agent 产品实践
这种架构存在明显缺陷：随着业务发展，表关系日益复杂，数据冗余现象严重，同一指标语义可能对应完全不同的计算逻辑，导致指标口径难以统一，管理成本急剧上升。 在这一架构中：数据仓库仅需维护规范的维表和明细事实表；中间层通过语义模型虚拟构建维表与事实表之间的关联关系；上层基于语义模型构建指标（基础指标、派生指标和复合指标）和维度。 基于这样的语义模型，我们构建了一个虚拟大宽表，从中可以灵活定义指标与维度，实现跨表计算能力——这正是指标语义层的核心价值所在。 指标语义层为 Aloudata Agent 的应用提供了坚实的数据语义基础。无需预先定义派生和衍生指标，基于基础指标和维度即可问数。 ：从指标语义层检索最匹配的销售金额指标语法生成：将关键信息转化为 MQL（指标查询语言）权限校验：在语义引擎层检查用户对相关数据的访问权限查询执行：通过语义引擎将 MQL 转换为准确 SQL，查询数据结果返回
53410编辑于 2025-10-30- 来自专栏云计算教程系列
如何使用CentOS 7上的TICK堆栈监控系统指标
准备 在开始之前，您需要以下内容： 一个CentOS 7服务器，包括可以使用sudo权限的非root用户和防火墙。 如果您希望按照步骤7中的说明保护Chronograf用户界面，则需要一个GitHub帐户，该帐户是GitHub组织的一部分。 第3步 - 安装和配置Telegraf Telegraf是一个开源代理，可以在其运行的系统或其他服务上收集指标和数据。然后，Telegraf将数据写入InfluxDB或其他输出。 第7步 - 使用OAuth保护Chronograf 默认情况下，任何知道运行Chronograf应用程序的服务器地址的人都可以查看数据。它适用于测试环境，但不适用于生产。 ---- 参考文献：《How To Monitor System Metrics with the TICK Stack on CentOS 7》
3.1K50发布于 2018-08-01 - 来自专栏专知
【干货】7种最常用的机器学习算法衡量指标
当然，在进行实验的时候，一种或两种衡量指标并不能说明一个模型的好坏，因此我们需要了解常用的几种机器学习算法衡量指标。 本文整理介绍了7种最常用的机器学习算法衡量指标：分类精度、对数损失、混淆矩阵、曲线下面积、F1分数、平均绝对误差、均方误差。相信阅读之后你能对这些指标有系统的理解。 ? 你的模型可能在用一个指标来评论时能得到令人满意的结果，但用其他指标(如对数损失或其他指标)进行评估时，可能会给出较差的结果。 曲线下面积（Area Under Curve, AUC） ---- 曲线下面积（AUC）是评估中使用最广泛的指标之一。 它用于二分类问题。 7. 均方误差 ---- 均方误差（MSE）与平均绝对误差非常相似，唯一的区别是MSE取原始值与预测值之差的平方的平均值。
4.1K60发布于 2018-04-16 - 来自专栏全栈程序员必看
语义分割步骤_实时语义分割
比如背景占比0.7，玉米占比0.02，草地占比0.2，薏仁米占比0.08，这种情况下背景占比过高，在切图时判断这张小图背景占比是否高于7/8，若高于这个阈值，则丢掉这张图片，若背景占比低，则不作处理或增加这张图与上一张图的采样重叠率 其它三类占比大致差不多，但是玉米与薏仁米相对草地来说少了一个量级，所以可以对玉米与薏仁米占比大于7/8的小图做图像增强（反转，旋转等）。
84330编辑于 2022-09-25 - 来自专栏数据分析师小熊
数据分析师7大技能：梳理指标体系
其中最重要的，可能就是梳理指标体系了。在招聘的时候，这是数据分析师的一项硬技能要求。 那么该如何梳理呢？今天简单分享一下。 一、什么是指标体系 用一系列指标来描述业务，即为指标体系。 业务很复杂，用一两个指标很难说清楚的时候，就需要指标体系来描述。比如一个拉新活动：注册APP后领5元券购物，整个业务流程很长，因此需要很多指标才能描述（如下图）。 二、为什么要梳理指标体系 常见的有2种情况： 新上线的业务，要新设监控指标 老业务，有一堆零散的指标，没有条理 这时候，就需要数据分析师主动进行梳理，搞清楚： 到底哪个指标才是关键 到底指标之间是啥逻辑关系 因此设计指标体系就相对简单。 这样才能保证指标体系的可用性。 五、梳理指标体系要点 从上边两个例子对比可以看出，梳理指标体系要点在于：理解用户/业务流程。实际上，上边还是简单流程，因为它们都是相对独立的流程，和其他流程相关性小。
1.1K00编辑于 2022-03-09 7个关键指标评估YashanDB数据库性能表现
常见数据库性能指标涵盖响应时间、吞吐率、资源利用率等维度，但针对YashanDB的体系架构及其特征，有必要结合数据库的内部运行机制和部署形态设计出一套合理的性能评估指标。 本文将深入解析7个关键性能指标，帮助开发人员和数据库管理员科学判断和优化YashanDB系统的性能表现。1. 吞吐率（Transactions Per Second, TPS）吞吐率是衡量数据库单位时间内完成事务数量的指标，反映数据库处理能力。 7. SQL执行计划稳定性SQL执行计划稳定性指优化器输出计划的变化幅度与预测准确度，间接影响数据库的整体性能表现。 结论本文围绕YashanDB数据库的技术架构和核心组件，详细解析了7个关键性能指标：吞吐率、查询响应时间、I/O延迟及吞吐量、事务延迟、缓存命中率、网络延迟与吞吐量及SQL执行计划稳定性。
20710编辑于 2025-11-15- 来自专栏Elastic Stack专栏
RAG评估指标：指标之旅
尽管 METEOR 尝试通过同义词和词干来解决这个问题，这些评估工具缺乏语义知识，无法识别语义变化。这在有效评估长文本时尤为明显，将文本视为简单的段落集合过于简化。 由于这些缺点，NLP 社区探索了更高级的外在指标来解决这些问题。基于模型的指标内在指标和 N-gram 指标的一个显著缺陷在于它们没有利用语义理解来评估生成内容的准确性。 BERTScoreBERTScore：为了从语义角度理解句子的真正含义，BERTScore 使用著名的基于 Transformer 的模型 BERT。 我们对 Mistral-7b-Instruct 和 Falcon-7b-Instruct 进行了基准测试，以评估它们在流畅性、一致性、连贯性和相关性方面的可区分性。 在这个实验中，我们想比较 Falcon-7b-Instruct 中不同的信息解码方法。
1.2K22编辑于 2024-12-11 - 来自专栏全栈程序员必看
语义分割的定义_语义分割模型
引言 语义分割结合了图像分类、目标检测和图像分割，通过一定的方法将图像分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素语义标注的分割图像 图像语义分割方法有传统方法和基于卷积神经网络的方法，其中传统的语义分割方法又可以分为基于统计的方法和基于几何的方法。 随着深度学习的发展，语义分割技术得到很大的进步，基于卷积神经网络的语义分割方法与传统的语义分割方法最大不同是，网络可以自动学习图像的特征，进行端到端的分类学习，大大提升语义分割的精确度。 ► 基于全卷积的残差网络语义分割模型 深度卷积神经网络的每一层特征对语义分割都有影响，如何将高层特征的语义信息与底层识别的边界与轮廓信息结合起来是一个具有挑战性的问题。 总结 本文主要对于图像语义分割技术的研究发展历程进行了详细评述，对于传统的语义分割方法到当前主流的基于深度学习的图像语义分割理论及其方法做出了综合性的评估，对基于深度学习语义分割技术需要用到的网络模型、
1.5K40编辑于 2022-09-25 - 来自专栏公众号PowerBI大师
好指标与坏指标
下层基础决定上层建筑，写出一个好的度量值的前提是有好的指标设计。什么样的指标才是好指标呢？ 这是一个很重要的问题，你设计的指标是评价一段时间的发生值，还是某一时点值? ? 前天出版社的编辑老师告诉我新书的第一批库存快卖光了，要开始加印。让我在关注销售册数的同时又加入了一个库存量指标。 显然销售册数是时间段指标，库存量是时间点指标。 ? 对于时间段指标通过日期表可以得到年、季度、月、周的对应值，并且利用时间智能函数可以轻松求得环比、同比等等，这并不难。 基本的思路就是把指标拆解成流入和流出，再分别求累计至今的发生值。 ? 以上是目标管理的SMART原则，也可以作为判断指标好坏的参考。简而言之，能够解决问题的就是好指标。
1.8K30发布于 2019-08-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号