一起理解目标检测指标 --- 交并比IoU、平均精度AP、mAP

已于 2024-01-20 17:17:33 修改
阅读量1k 收藏 11
点赞数 20
分类专栏： Deep Learning 文章标签： 目标检测 人工智能 计算机视觉
于 2023-12-05 22:48:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/BeTyh/article/details/134819206
版权
真实值GT

Ground Truth，在目标检测中，gt代表ground truth，意为真实值或参考值。

交并比IoU

IOU=Overlap of truth and prediciton / Union of truth and prediciton

IOU是交叉的面积除以并集的面积

请添加图片描述

AP

Average Precision，平均准度，简单来说就是对PR曲线上的Precision值求均值。对于pr曲线来说，我们使用积分来进行计算。

在实际应用中，我们并不直接对该PR曲线进行计算，而是对PR曲线进行平滑处理。即对PR曲线上的每个点，Precision的值取该点右侧最大的Precision的值。

设当前有一个模型的他的PR曲线是这样的

img
以下是AP的计算方法：

Interplolated AP

Pascal VOC 2008中设置IoU的阈值为0.5，如果一个目标被重复检测，则置信度最高的为正样本，另一个为负样本。在平滑处理的PR曲线上，取横轴0-1的10等分点（包括断点共11个点）的Precision的值，计算其平均值为最终AP的值。

img

Area under curve

上述方法有两个缺陷，第一个是使用11个采样点在精度方面会有损失。第二个是，在比较两个AP值较小的模型时，很难体现出两者的差别。所以这种方法在2009年的Pascalvoc之后便不再采用了。在Pascal voc 2010之后，便开始采用这种精度更高的方式。绘制出平滑后的PR曲线后，用积分的方式计算平滑曲线下方的面积作为最终的AP值。

more AP

请添加图片描述

AP@50:5:95:指的是IOU的值从50%取到95%，步长为5%，然后算在这些IOU下的AP的均值。

mAP

Mean Average Precision，均值平均精度，作为object dection中横梁检测精度的指标

mAP是计算所有类别PR曲线下面积的平均值

​

​

SpaceSunflower
关注
专栏目录
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
Snu77的博客
11-02 6万+
这篇博客，主要给大家讲解我们在训练yolov8时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据具体需求，我们可以选择更适合任务场景的模型和参数配置。最后祝大家学习顺利，科研成功，多多论文！！
目标检测模型的评价标准-AP与mAP
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-08 1678
为了了解模型的泛化能力，即判断模型的好坏，我们需要用某个指标来衡量，有了评价指标，就可以对比不同模型的优劣，并通过这个指标来进一步调参优化模型。对于分类和回归两类监督模型，分别有各自的评判标准，目标检测模型评价指标主要包含 f1、ap、map、roc计算公式及代码实现与auc曲线绘制等。
目标检测中AP50 AP75 APs APm APl 含义
qq_36892712的博客
02-18 3292
在目标检测领域，我们经常会遇到一些评价指标，这些指标有助于衡量模型的性能。：平均精度，用于衡量目标检测模型的准确性。它考虑了不同置信度阈值下的精度，并计算出一个平均值。通常，我们使用不同的阈值（例如0.5、0.75等）来计算AP。：平均召回率，表示平均召回率。与AP类似，它也考虑了不同阈值下的召回率，并计算出平均值。AP50：在IoU（交并比）大于50%时的平均精度。AP75：在IoU大于75%时的平均精度。APs：小目标（面积小于32x32像素）的平均精度。APm。
机器学习、深度学习评价指标汇总：TP、TN、FP、FN、AP、mAP、IoU、mAP@3、Prec@10、 Acc@10
buyaotutou的博客
10-10 1475
真正例 (True Positive, TP)模型正确地将正类（例如，某种疾病存在）预测为正类的实例数量。假正例 (False Positive, FP)模型错误地将负类（例如，某种疾病不存在）预测为正类的实例数量。这通常被称为“误报”。真负例 (True Negative, TN)模型正确地将负类预测为负类的实例数量。假负例 (False Negative, FN)模型错误地将正类预测为负类的实例数量。这通常被称为“漏报”。真正例和真负例反映了模型的正确预测能力。假正例和假负例。
目标检测中的Iou与map指标详细介绍（零基础）
Weary_PJ的博客
03-01 4434
目标检测中的Iou与map指标的计算 IOU 下图中Ground truth为标记的正确框,Prediction为预测的框 显然, 我们需要一个指标来评估预测的准确率 就如同在分类任务中的accurate一样明星 目标检测任务中的IOU指标就反应了类似的效果 IOU的计算方法很简单,就是两框的交集与两框的并集之比, 很显然IOU的值越高越好 精度,召回与map 具体关于精度与找回的介绍与手写推导可以看我之前关于学习西瓜书中模型评价指标的文章 一起学西瓜书02 模型评估与选择 这里举个简单的例子来回顾一
目标检测算法的评估指标：mAP和IOU，python
weixin_43815222的博客
01-13 523
目标检测算法的评估指标：mAP和IOU，python
详解机器视觉性能指标相关概念——混淆矩阵、IoU、ROC曲线、mAP等
m0_49963403的博客
09-16 1715
按照国际惯例，首先声明：本文只是我自己学习的理解，虽然参考了他人的宝贵见解，但是内容可能存在不准确的地方。如果发现文中错误，希望批评指正，共同进步。本文将通过实例系统性说明机器视觉性能相关指标。关于这些指标内容我大体分为2类：图像分类性能指标和图像分割性能指标。
目标检测——mAP的概念
Learn_Fighting的博客
08-14 752
目标检测——mAP的概念1、学习前言2、什么是TP、TN、FP、FN3、什么是Precision和Recall4、什么是IOU4.1、概念举例5、什么是AP6、什么是mAP 1、学习前言 在Github上我们可以看到许多模型，他们都有mAP值的评价指标 这到底是个啥呢？要了解它必须要先了解以下几个概念： 2、什么是TP、TN、FP、FN TP（True Positives）意思就是被分为了正样本，而且分对了。 TN（True Negatives）意思就是被分为了负样本，而且分对了， FP（False Po
目标检测中的评价指标知识点总结：IOU交叉重叠单元、map/AP/TP/FP/NP的归纳
qq_45756171的博客
01-29 3238
在目标检测任务中，我们时常会让模型一次性生成大量的候选框（candidate bound），然后再根据每一个框的置信度对框进行排序，进而依次计算框与框之间的IoU，以非极大值抑制的方式，来判断到底哪一个是我们真正要找的物体，哪几个又该删除。例如在做人脸检测时，模型输出的可能是左图，而最终我们得到的是右图。 代码实现 import numpy as np # box:[上, 左, 下, 右] box1 = [0,0,8,6] box2 = [2,3,10,9] def IoU(box1, box2):
YOLOv11目标检测模型性能评价指标详解，涉及混淆矩阵、F1-Score、IoU、mAP、参数量、计算量等，一文打尽所有评价指标
最新发布
qq_42591591的博客
10-22 735
本文主要讲解的是计算机视觉网络模型的性能评价指标，这是每一篇论文中都需要展示的内容。熟悉每一个评价指标也能够帮助我们在训练和改进模型过程中，更好的观察模型的变化效果。
机器学习笔记 - IOU、mAP、ROC、AUC、准确率、召回率、F分数
学以致用 知行合一
03-25 5231
mAP（mean Average Precision）是目标检测中度量识别精度的指标。多个类别目标检测中，每一个类别都可以根据查全率和查准率绘制P-R曲线，横坐标为查全率，纵坐标为查准率。AP就是该曲线下的面积，mAP是多个类别AP的平均值。计算公式如下式中，Q表示目标检测的类别集合；AveP（q）是计算类别下目标的平均准确率。计算mAP时使用联合交集（IoU）。mAP计算过程1、对于每个预测，IoU 是针对图像中的每个地面实况框计算的。
【目标检测必学】快速理解IOU、Recall、Precision、AP、mAP检测指标
qq_45193872的博客
03-03 7300
学习目标： 总结了几篇个人认为深入浅出的目标检测性能指标相关博客，希望通过这次笔记能帮助到还不理解的同学！ **理解目标检测中常用的性能检测指标mAP、IOU、Recall、Precision,**通过约30分钟的阅读深刻理解并掌握这几个常见指标的运用。
准确率(Precision)、召回率(Recall)、F值(F-Measure)、平均正确率（Average Precision, AP），IoU
qq_38410428的博客
01-05 9466
1、准确率与召回率（Precision & Recall） 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。 若一个实例是正类，但是被预测成为正类，即为真正类(True Postive ...
AP、MAP、IOU、Precision、Recall 、FPR、TPR、 FAR、EER、ROC 、AUC等
静谧、淡雅
08-28 3076
一张图像的C类的P=图像正确预测(True Positives)的数量 除以 在图像中这一类的总目标数量。 1 AP C类的平均精度=在验证集上所有的图像对于类C的精度值的和 除以 有类C这个目标的所有图像的数量。 2 MAP MAP =所有类别的平均精度求和 除以 所有的类别 。 3 IOU loU(交并比)是模型所预测的检测框和真实(gro...
目标检测ｍAp
03-04 7280
目标检测的mAp的计算是根据不同的IoU下的对应的recall和precision计算得到。
目标检测模型评价指标IoU、mAP
一抹烟霞的博客
06-24 764
文章目录一、IOU二、mAP2.1 简介2.2 计算方法三、模型速度 一、IOU 交并比loU(intersection-over-union) 二、mAP 2.1 简介 mAP(mean average precision)平均准确率均值 2.2 计算方法 多标签图像分类任务中图片的标签不止一个,因此评价不能用普通单标签图像分类的标准。首先用训练好的模型得到所有测试样本的置信度(confidence score) ,比如某个类别(如检测猫)有20个测试样本: 接下来按照置信度的大小重新排序，我们想得
目标检测中mAP超详细解释
chris_xy的博客
11-12 7827
IOU (Intersection Over Union, 交并比) IOU指真实框和预测框之间交集和并集的比，假设这里有真实框BgtB_{gt}Bgt​和预测框BpB_pBp​，那么 IOU计算公式如下： IOU=area(Bp∩Bgt)area(Bp∪Bgt) IOU=\frac{area(B_p\cap B_{gt})}{area(B_p\cup B_{gt})} IOU=area(Bp​∪...
目标检测之IoU、precision、recall、AP、mAP详解
钱彬的博客
01-15 9817
目录 1. 目标检测概述 2. IoU 3.precision（精度）和recall（召回率） 4. AP和mAP 5.实际计算方法 1. 目标检测概述 目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小，是计算机视觉领域的核心问题之一。以下图为例，图中需要识别3类物体：car（车）、bicycle（自行车）、dog（狗），通过特定的目标检测算法希望最终把...
目标检测必学】快速理解IOU、Recall、Precision、AP、mAP检测指标
05-29
1. IOU（Intersection over Union）：交并比，也称为重叠度，是目标检测中最基本的评估指标。它表示检测出的目标框与真实目标框之间的重叠程度，可以用来判断检测结果的准确性。IOU值越高，表示检测结果与真实目标越...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

SpaceSunflower

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值