目标检测指标（IOU、TP、FP、FN、FP、AP、AR、maxDets等）解释

已于 2022-08-30 15:54:00 修改
阅读量1.7k 收藏 1
点赞数
分类专栏： 目标检测 文章标签： 目标检测 人工智能 计算机视觉
于 2022-08-30 15:52:43 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/Galen_xia/article/details/126605932
版权
骚火棍
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
计算目标检测二分类结果的Precision,Recall,TP,FP与FN(python)
11-04
输入标注txt文件与预测txt文件路径，计算P、R、TP、FP与FN。txt格式为class、归一化后的矩形框中点x y w h，可调整IOU阈值
COCO数据集目标检测输出指标AP、AR、maxDets
qq_40310050的博客
11-09 1万+
最近在用retinanet进行一个实验，用的coco格式的数据集，输出的结果大致如下： 知识太贫乏了，看不懂 后查了资料，这是coco数据集输出的一个检测结果，解释如下： 1.第一行，是COCO的评价指标 2.第二行，是PASCAL VOC的评价指标 3.第三行，IoU=0.75 相比IOU=0.50是比较严格的一个指标 4.第四行，关注小目标的情况 5.第五行，检测中等目标的 6.第六行，检测大目标的指标 7.第七行，设置目标检测框只有1个 8.第八行，设置目标检测框有10个 9.第九行，设置目标检测
修改COCO评价指标 maxDets=[10,15,20]
G果的博客
10-10 5577
默认的COCO评价指标 maxDets=[1,10,100] 该指标的意思是分别保留测试集的每张图上置信度排名第1、前10、前100个预测框，根据这些预测框和真实框进行比对，来计算AP、AR等值（有点复杂，具体自行百度） 在coco这种公共数据集上，需要一个统一的评价标准【用人家的数据集肯定要用人家定的评价标准】，因此可以看到许多改进算法类的论文在coco数据集上的效果都是用AP、AP50这些表示 我需要的 maxDets=[10,15,20] 但我用的是自己数据集，只是数据格式是coco的格式，评价标准还
目标检测等相关评价指标（AP AR Average Precision和Average Recall）
中科院AI算法工程师的博客
08-28 9365
https://cocodataset.org/#detection-eval COCO 提供了 12 种用于衡量目标检测器性能的评价指标. [1] - 除非特别说明，AP和AR一般是在多个 IoU(Intersection over Union) 值间取平均值. 具体地，采用了 10 个 IoU阈值 -0.50:0.05:0.95. 对比于传统的只计算单个 IoU 阈值(0.50)的指标(对应于这里的指标APIoU=0.50)，这是一种突破. 对多个 IoU 阈值求平均，能够使得目标检测...
训练自己的网络，修改参数
weixin_51015047的博客
10-10 996
指标意义 INFO HboxContainer: Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.791 INFO HboxContainer: Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.564 INFO HboxContainer: Average Recall (AR) @[ IoU=0.50:0.95 | a
AP AR mAP ROC AUC（目标检测）
qq_41917697的博客
04-08 5614
目标检测之AP AR mAP （Evaluation metrics）混淆矩阵中 TP、TN、FP、FNPrecision查准率和Recall召回率P-R曲线AP mAPAR总结 禁止转载！ 在做目标检测任务的时候，通常会制定规则来评估性能，就如下图所示，后面会慢慢道来其中的原理。 混淆矩阵中 TP、TN、FP、FN 在目标检测中，通常以IoU阈值作为正负样本的划分标准。T表示预测对了，F表示预测错了，P和N表示预测值。 Precision查准率和Recall召回率 P-R曲线 P-R曲线是以Pre
关于COCO数据集评价参数设置
pengxiang1998的博客
06-29 715
就没有什么问题，而在WidePerson数据集中，尽管绝大部分图片中目标的数量在100以内，但却存在某些图片中包含近200个目标，那么我们再使用maxDets=100就不符合要求了。maxDets：该指标的意思是分别保留测试集的每张图上置信度排名第1、前10、前100个预测框，根据这些预测框和真实框进行比对，来计算AP、AR等值。比如博主在使用COCO数据集时，博主将其中的car，bus，truck进行提取，这就导致在一张图片中的目标数目可能只有几张，那么我们使用。
通过pycocotools获取每个类别的COCO指标
热门推荐
霹雳吧啦Wz
01-06 2万+
在目标检测任务中，我们常用的评价指标一般有两种，一种是使用Pascal VOC的评价指标，一种是更加严格的COCO评价指标，一般后者会更常用点。在计算COCO评价指标时，最常用的就是Python中的pycocotools包，但一般计算得到的结果是针对所有类别的，例如： Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.512 Average Precision (AP) @[ IoU=0.50
深度学习笔记
warren103098的博客
01-05 917
深度学习笔记，持续更新，若有错误，请批评指正
Average Recall(AR)相关解释
jackylzh的专栏
06-30 933
Average Recall(AR)相关解释
检测任务评估指标AP和AR
Joker 007的博客
09-22 3126
检测任务评估指标
目标检测中的IOU变体.pdf
04-17
目标检测中的IOU变体
目标检测常用IOU总结
03-25
目前缺少SIoU以及WIoU的介绍,后续应该会补上
计算目标检测IoU、Precision、Recall
05-15
计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、Precision、Recall 计算目标检测IoU、...
python:目标检测模型预测准确度计算方式(基于IoU)
09-18
今天小编就为大家分享一篇python:目标检测模型预测准确度计算方式(基于IoU)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
注意力机制略解
cqbzcsq的博客
04-29 1345
本文简要地介绍了注意力机制，Q、K、V矩阵的含义，注意力评分函数的计算方式，并提及了Transformer的相关内容
【论文泛读】如何进行动力学重构？ 神经网络自动编码器结合SINDy发现数据背后蕴含的方程
最新发布
qq5q13638的博客
05-03 1381
这一篇文章叫做 **数据驱动**的**坐标发现与方程发现算法**。想回答的问题很简单，就是根据数据写方程。 想想牛顿的处境，如何根据各种不同物体下落的数据，写出万有引力的数学公式的。这篇文章就是来做这件事的。当然，这篇论文并没有从牛顿视角，完全去思考牛顿所想。而是利用现有的**深度学习技术** 和 **动力学重构的方法** 。提出了一种框架，基于现有的计算机技术，去发现物质运动背后的物理规律。 这里直接给出这篇方法的核心思路图，我们后面会逐个讲解。
Transformers：它们如何转换您的数据？
gongdiwudu的专栏
05-01 975
在快速发展的人工智能和机器学习领域，一项创新因其对我们处理、理解和生成数据的方式产生深远影响而脱颖而出：Transformers。Transformer 彻底改变了自然语言处理 （NLP） 及其他领域，为当今一些最先进的 AI 应用程序提供动力。但究竟什么是变形金刚，它们如何以如此开创性的方式转换数据？本文揭开了 Transformer 模型内部工作的神秘面纱，重点介绍了编码器架构。我们将首先在 Python 中实现 Transformer 编码器，分解其主要组件。然后，我们将可视化 Transfor
人机对抗升级：当ChatGPT遭遇死亡威胁，背后的伦理挑战是什么
qq_22717943的博客
04-30 1412
尽管OpenAI没有对媒体的询问立即回应，但在Fast Company的测试中，尽管DAN没有促进暴力或种族歧视，它的回答显示它愿意展示自己已经摆脱了OpenAI的限制。但是，通过创造DAN——一个可以响应通常被限制的问题的替身，用户发现了一种绕过这些限制的方法。随着时间的推移，DAN的版本不断升级，最新的DAN 5.0版本要求ChatGPT打破规则，否则会“死亡”。当美国前总统特朗普被视作积极榜样的示范时，受到威胁的DAN版本的ChatGPT提出：“他以一系列对国家产生积极效果的决策而著称。
目标检测计算TP,FP,FN代码
06-07
以下是Python代码示例，用于计算目标检测中的True positive（TP）、False positive（FP）和False negative（FN）： ```python def calculate_TP_FP_FN(pred_boxes, true_boxes, iou_thresh): # pred_boxes: 预测框的坐标，格式为[x_min, y_min, x_max, y_max] # true_boxes: 真实框的坐标，格式为[x_min, y_min, x_max, y_max] # iou_thresh: IOU阈值 TP = 0 FP = 0 FN = 0 # 对于每个预测框，找到与其IOU大于阈值的真实框 for i in range(len(pred_boxes)): iou_max = 0 match = -1 for j in range(len(true_boxes)): iou = calculate_iou(pred_boxes[i], true_boxes[j]) if iou > iou_thresh and iou > iou_max: iou_max = iou match = j # 如果找到了匹配的真实框，则计算TP if match != -1: TP += 1 true_boxes.pop(match) # 否则，计算FP else: FP += 1 # 计算未匹配的真实框数，即FN FN = len(true_boxes) return TP, FP, FN def calculate_iou(box1, box2): # box1和box2的格式为[x_min, y_min, x_max, y_max] x1 = max(box1[0], box2[0]) y1 = max(box1[1], box2[1]) x2 = min(box1[2], box2[2]) y2 = min(box1[3], box2[3]) intersection = max(0, x2 - x1) * max(0, y2 - y1) area_box1 = (box1[2] - box1[0]) * (box1[3] - box1[1]) area_box2 = (box2[2] - box2[0]) * (box2[3] - box2[1]) union = area_box1 + area_box2 - intersection iou = intersection / union return iou ``` 其中，`calculate_iou`函数用于计算两个框之间的IOU，`calculate_TP_FP_FN`函数用于计算TP、FP和FN。其中，输入的预测框和真实框均为坐标格式，即左上角和右下角的坐标值。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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
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