評估指標

ViT 這類影像分類模型互相較勁,講的是同一套行話:Top-1 Accuracy、Top-5 Accuracy,以及共同擂台 ImageNet 準確率。

核心觀念

• Top-1 Accuracy:模型信心最高的那一個預測,恰好是正解的比例 — 最嚴格的標準
• Top-5 Accuracy:正解落在信心前五名內就算對 — 類別上千、彼此相近時的務實量法
• ImageNet 準確率:在 ImageNet 這個千類別大型公開資料集上的成績,是影像分類的標準基準(Benchmark),論文與排行榜的共同語言

白話理解

像猜「這是哪個品種的狗」:Top-1 要求一口咬定就對;Top-5 允許列五個候選,正解在內就給分。哈士奇與阿拉斯加雪橇犬這種相似度,用 Top-5 量才合理。

關鍵細節

• Top-5 永遠大於等於 Top-1;兩者差距大,代表模型「方向對但不夠篤定」
• ImageNet 準確率的價值是公平:CNN 與 ViT 用同一把尺比,才知道架構誰強
• 兩個指標都是越高越好,審題不用擔心方向反轉
• 基準高分不等於你的場景高分:醫療影像、瑕疵檢測要用自家資料重新驗證

🎯 口訣:Top-1 一口咬定,Top-5 給五次機會,ImageNet 是公開擂台。

iPAS 考點

定義題:「衡量模型預測最高機率類別的正確率」→ Top-1 Accuracy,認明「最高機率、第一名」這組關鍵字。概念題:為何需要 Top-5 → 類別數多且語義相近,Top-1 太嚴苛。陷阱:把「ImageNet 高分」當成「任何任務都最強」的證據 — 基準只保證同場比較公平,不保證跨領域表現。