目标检测等相关评价指标（AP AR Average Precision和Average Recall）

最新推荐文章于 2025-03-30 22:08:52 发布
最新推荐文章于 2025-03-30 22:08:52 发布
阅读量1.1w 收藏 41
点赞数 9
分类专栏： 计算机视觉
在公众号【计算机视觉联盟】后台回复【9076】获取独家200页AI笔记！
本文链接：https://blog.csdn.net/Sophia_11/article/details/108281048
版权
本文详细介绍了COCO数据集上用于评估目标检测器性能的12种关键指标，包括平均精度(AP)和平均召回率(AR)的概念，以及它们在不同IoU阈值、目标大小和类别下的应用。同时，文章还阐述了这些指标如何帮助识别检测器在小、中、大目标上的表现。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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.

image

[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，能够使得目标检测器具有更好的定位位置.

[2] - AP 是对所有类别的求平均值. 这在传统上被称为平均准确度(mAP, mean average precision). 这里并未区分 AP 和 mAP(类似的，AR 和mAR)，假定从上下文中具有清晰的差异. 即：如，AP50=mAP50，AP75=mAP75，... 但，AP50 一定大于 AP75.

[3] - AP (所有 10 个 IoU 阈值和全部 80 个类别的平均值) 作为最终 COCO竞赛胜者的标准. 在考虑目标检测器再 COCO 上的性能时，这是单个最重要的评价度量指标.

[4] - COCO数据集中小目标物体数量比大目标物体更多. 具体地，标注的约有 41% 的目标物体是都很小的(small, 面积< 32x32=1024)，约有 34% 的目标物体是中等的(medium, 1024=32x32 < 面积 < 96x96=9216)，约有 24% 的目标物体是大的(large, 面积 > 96x96=9216). 面积(area) 是指 segmentation mask 中像素的数量.

[5] - AR 是指每张图片中，在给定固定数量的检测结果中的最大召回(maximum recall)，在所有 IoUs 和全部类别上求平均值. AR 与 proposal evaluation 中所使用的相同，但这里 AR 是按类别计算的.

[6] - 所有的评测指标允许每张图片(在全部的类别中)最多 100 个 top-scoring 检测结果进行计算.

[7] - 边界框(bounding boxes)的检测和segmentation mask 的所有评测指标是一致的，除了 IoU 的计算. 边界框的 IoU 计算是关于 boxes的 ，而 segmentation mask 的 IoU 计算是关于 masks 的.

学习参考：https://www.aiuai.cn/aifarm854.html

万字长文精解目标检测中的TP、FP、FN、TN、Precision、Recall 、 F1 Score、AP、mAP与AR 。附代码实现。
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-16 7410
mAP（Mean Average Precision）是用于评估对象检测和信息检索系统性能的重要指标。它综合考虑了检测结果的精确度（Precision）和召回率（Recall），提供了一个整体的性能评价。你是否见过下面的表格？这是COCO版本的mAP（即平均精度，他们简称之为AP）。但这个指标到底代表什么呢？这些符号又都代表什么含义呢？在本文中，我们将详细讲解所有必要的理论知识，不仅帮助你解读表格中的数据，还能让你理解采用这种复杂指标的必要性。
YOLOv10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
Limiiiing的博客
11-04 1833
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。
Average Recall(AR)相关解释
aaayushu的博客
05-20 6581
@[TOC](Average Recall(AR)相关解释) Average Recall(AR)相关解释 由于coco数据集上对于average recall的解释只有一句话不易理解，百度和谷歌之后也不能得到一个很好的解释，这里做一个解释。 AR是 IoU在[0.5,1.0] 上所有recall的平均。是recall-IoU 曲线所围成的面积的两倍。 n为每张图片中所有GroundTruth bbox与最与GroundTruth bbox接近的DetectionResult bbox的重叠部分的数量
目标检测中COCO评估指标中每个指标的具体含义说明：AP、AR
最新发布
阿旭的博客
03-30 1297
目标检测中COCO评估指标中每个指标的具体含义说明：AP、AR
准确率，精确率(AP)与召回率（AR）
07-19 8892
准确率、精确率和召回率是在目标检测中非常重要的指标，那么它们能反映出模型的结果中的哪些问题呢？如下： 准确率、精确率和召回率的解释： True Positive(真正，TP)：将正类预测为正类数 True Negative(真负，TN)：将负类预测为负类数 False Positive(假正，FP)：将负类预测为正类数误报 (Type I error) False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error) 准确率、精确率和召回率的公式： 准确率（
【YOLO学习】召回率（Recall），精确率（Precision），平均正确率（Average_precision(AP) ），交除并（Intersection-over-Union（IoU））
热门推荐
Joe_quan的博客
01-05 10万+
在训练YOLO v2的过程中，系统会显示出一些评价训练效果的指标，包括Recall，IoU等等。为了怕以后忘了，现在把自己的理解记录一下。这一文章首先假设一个测试集，然后围绕这一测试集来介绍这几种指标的计算方式。
平均召回率（Average Recall, AR）及其与平均精度（Average Precision, AP）的区别
fydw_715的博客
07-26 2141
平均召回率（Average Recall, AR）及其与平均精度（Average Precision, AP）的区别
检测任务评估指标AP和AR
Joker 007的博客
09-22 3680
检测任务评估指标
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
目标检测评价指标详解（mAP、AP、FPS）
qq_40980981的博客
09-01 1492
map（mean Average Precision，平均准确度均值）平均正确率（AP），准确率 （Accuracy），精确率（Precision），召回率（Recall）。FPS（即每秒处理的图片数量或者处理每张图片所需的时间，在同一硬件条件下进行比较）
目标检测中的常见评价指标
m0_63520910的博客
04-26 2680
一、 IOU 二、NMS 三、AP 四、mAP 五、mMP 六、mAR 目标检测中NMS（非极大抑制）的概念理解_花花少年的博客-CSDN博客_nms
AR(Average Recall, 平均查全率), ANMRR(Average Normalized Modified Retrieval Rate, 平均归一化检索秩)
Work Hard, Play Harder!
08-07 5856
AR(Average Recall, 平均查全率) ANMRR(Average Normalized Modified Retrieval Rate, 平均归一化检索秩)
precision (查准率，精确率) / recall (查全率，召回率) / average precision (平均精确率)
程永强
07-23 4799
precision (查准率，精确率) / recall (查全率，召回率) / average precision (平均精确率) It’s a bird… it’s a plane… it… depends on your classifier’s threshold https://sanchom.wordpress.com/2011/09/01/precision-recall/ E...
准确率，召回率，mAP(mean average precision)解释
木盏
06-27 2万+
准确率Precision 召回率Recall 其实这个翻译相当蛋疼。。。 recall最合理的翻译应该是 查全率 而Precision的最合理的翻译应该是查准率 这样就很容易理解了，假设一个班级有10个学生，5男5女 你用机器找女生，机器返回了一下结果： | 男 | 女 | 女 | 男 | 女 | 男 | 那么查准率为：3/6 = 0.5（返回的6个结果只有3个正确） 查全率为:...
目标检测评价指标AP50，AP60
Luissen的博客
12-26 4万+
在目标检测中，我们常用AP和mAP来评价模型的好坏，但是在很多论文中出现了AP50，AP60等指标，这是什么呢？ 以Cascade R-CNN的一张图为例，AP50，AP60，AP70……等等指的是取detector的IoU阈值大于0.5，大于0.6，大于0.7……等等。可以看到数值越高，精确率越低，表明越难。 ...
平均召回（Average Recall，AR）概述
weixin_42605076的博客
06-10 2288
在深度学习中，平均召回（Average Recall, AR）是一个衡量模型在不同阈值下的召回率的综合指标，特别常用于目标检测任务。召回率（Recall）指的是模型正确检测出的正样本占所有正样本的比例。换句话说，召回率评估了模型识别所有正样本的能力。平均召回（AR）是对不同阈值下的召回率进行平均得出的指标。在目标检测中，模型通常会在不同的置信度阈值下做出预测。通过在多个阈值下计算召回率并取其平均值，可以更全面地评估模型的性能。平均召回（AR）在目标检测任务中是评估模型性能的重要指标。
准确率(Precision)、召回率(Recall)、F值(F-Measure)、平均正确率，IoU
wzw12315的专栏
04-15 706
准确率(Precision)、召回率(Recall)、F值(F-Measure)、平均正确率（Average Precision, AP），IoU_初识-CV的博客-CSDN博客_平均正确率
目标检测~评价指标
Hunter的博客
04-08 775
准确率 （Accuracy），混淆矩阵 （Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交除并（IoU），ROC + AUC，非极大值抑制（NMS）。 https://www.cnblogs.com/eilearn/p/9071440.html ...
人工智能学习07--pytorch19--目标检测：常见指标（mAP计算+coco评价标准）
AMWICD的博客
05-28 1556
若一个 GT 有多个预测边框，则认为 IOU 最大且大于等于 0.5 的预测框标记为 TP，其他的标记为 FP，即一个 GT 只能有一个预测框标记为 TP。FN就是 把检测对象检测为背景的 那些检测框 的数量，也就是一些被检测错误（F）为负样本（N）的样本，它们本来应该被检测为正样本。因为预测的两个边界框预测的目标都是第一只猫，所以ID都是1，预测给出的数值是置信度，不是IOU，IOU是预测框与真实框的交并比。如果这两个差距很小的话，可以减少检测的目标个数，可以提高一些目标检测的效率。
pascal voc数据集，COCO imagnet数据集 在目标检测方面的评价指标
03-15
### Pascal VOC、COCO 和 ImageNet 数据集的目标检测评估指标 #### Pascal VOC 数据集的评估指标 Pascal VOC 数据集采用了一系列经典的评估指标来衡量目标检测模型的表现。其中最核心的两个概念是查准率（Precision）和查全率（Recall）。 - **Precision (查准率)** 表示预测为目标的数量中有多少比例确实是真正的目标对象[^1]。 - **Recall (查全率)** 则表示实际目标数量中有多少比例被成功检测出来。 为了综合考虑 Precision 和 Recall 的表现，引入了 Average Precision (AP) 这一指标。在 Pascal VOC 中，通常会设定 IoU 阈值为 0.5 来判断检测框是否匹配真实框。随后通过计算 PR 曲线下的面积得出 AP 值[^3]。最后，mAP（mean Average Precision）是对所有类别 AP 取平均的结果，用于整体性能评估。 #### COCO 数据集的评估指标 相较于 Pascal VOC，COCO 数据集采用了更为严格的评价体系。它不仅关注单一 IoU 阈值的情况，还扩展到了多个 IoU 范围内的表现分析。具体而言： - 平均精度 AP 定义为不同 IoU 下的 AP 均值，IoU 范围从 0.5 至 0.95，步长为 0.05[^2]。 - 此外还有针对特定 IoU 设置的子项，例如 $ \text{AP}_{\text{IoU}=0.5} $ 或者更严苛条件下的 $ \text{AP}_{\text{IoU}=0.75} $。 - 同样存在 mAP 计算方式，但其覆盖范围更大且更具挑战性。 另外值得注意的是 AR（Average Recall），该值反映了每张图片能够正确识别出的目标数目上限。AR 经常配合最大探测次数 k 使用 ($ \text{AR}_k $)，以体现算法效率与效果之间的平衡关系。 #### ImageNet 数据集的评估指标 虽然 ImageNet 更广为人知是因为它的分类任务，但在涉及目标定位的任务部分也有相应的评测机制。然而相比前两者，ImageNet 在这方面并没有形成统一固定的模式；一般情况下仍沿用类似于 Pascal VOC 或 COCO 所定义的标准来进行比较研究[^4]。 ```python def calculate_ap(precision_list, recall_thresholds=[0, 0.1, ..., 1]): ap_values = [] for threshold in recall_thresholds: filtered_precisions = [p for r, p in zip(recalls, precisions) if r >= threshold] max_precision_at_recall = max(filtered_precisions) if filtered_precisions else 0 ap_values.append(max_precision_at_recall) return sum(ap_values)/len(ap_values) # Example usage of the function with hypothetical data points. recalls = [0.1, 0.2, ... , 1.0] precisions = [... corresponding values to recalls... ] ap_value = calculate_ap(precisions) print(f"The calculated AP value is {ap_value}") ``` 上述代码片段展示了如何基于给定的一组精确度(Precision)-召回率(Recall)对按照一定规则计算得到单类别的AP值的一个简化版本实现过程。
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