AP、AR、mAP的理解

最新推荐文章于 2024-08-13 22:17:23 发布
最新推荐文章于 2024-08-13 22:17:23 发布
阅读量7.1k 收藏 15
点赞数 1
分类专栏： 科研 文章标签： 深度学习
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/XYKenny/article/details/106267034
版权
本文详细介绍了深度学习中评价指标AP（平均精度）、AR（平均召回率）和mAP（平均精度均值）的概念。AP是查准率与查全率的权衡，mAP是对多个类别AP的平均，用于评估目标检测模型的整体性能。在COCO数据集中，mAP是基于多个IoU阈值计算的，旨在全面评价模型的定位准确性。
摘要由CSDN通过智能技术生成

1、AP
想搞清楚AP，首先要清楚P和R的含义。P指的是precision查准率，R指的是recall查全率。理解他们需要理解混淆矩阵。
查准率（precision）和查全率（recall）。对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例（true positive）、假正例（false positive）、真反例（true negative）、假反例（false negative）四种情形，令TP、FP、TN、FN分别表示其对应的样例数，则显然有TP+FP+TN+FN=样例总数。分类结果的“混淆矩阵”（confusion matrix）：
在这里插入图片描述

查准率P和查全率R分别定义为：

在这里插入图片描述
一个例子为：P=“挑出来的西瓜中有多少比例是好瓜”，R=“所有好瓜中有多少比例被挑出来”。查全率和查准率是一对矛盾的度量。一般来说查准率高时，查全率往往偏低；而查全率高时，查准率往往偏低。
2、mAP
转自

最低0.47元/天 解锁文章
XYKenny
关注
专栏目录
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 5173
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。
AP AR mAP ROC AUC（目标检测）
qq_41917697的博客
04-08 6644
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
AP AR
qq_17457331的博客
11-28 703
The following 12 metrics are used for characterizing the performance of an object detector on COCO: Unless otherwise specified, AP and AR are averaged over multiple Intersection over Union (IoU) va...
MAP的计算
最新发布
qq_74330924的博客
08-13 429
AP和MAP是用于评估深度学习目标检测模型性能的常用指标。AP是指对于每个类别，计算检测结果与真实标签匹配时的精度，然后将其平均化；而MAP则是对所有类别的AP进行平均。因此，AP和MAP都是越高越好，表示模型在目标检测任务中表现越优秀。
准确率，精确率(AP)与召回率（AR）
07-19 7987
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（
检测任务评估指标AP和AR
Joker 007的博客
09-22 3380
检测任务评估指标
AR Mapping:高效快速的AR建图方案
点云PCL
07-19 913
文章：AR Mapping: Accurate and Efficient Mapping for Augmented Reality作者：Rui Huang1 , Chuan Fang,...
论文中AP与AR含义详细解释
weixin_41485334的博客
12-02 8987
AP的含义和AR的本身含义就是查准率和查全率 这里的AP通过和IOU结合定义出两种分别： 1.当IOU大于0.5认定为真 2.当IOU大于0.75认定为真 3.从IOU大于0.5开始，每次增加0.05，分别认定为真，然后平均求得AP值 COCO数据集平均每张图片包含 3.5个类别和 7.7 个实例目标，仅有不到20%的图片只包含一个类别，仅有10%的图片包含一个实例目标。 COCO中包含大约 4...
ap 目标检测算法map_目标检测的指标AP与mAP
weixin_34260080的博客
12-24 1819
最近在处理实验数据的时候，想到了之前学习的分类混淆矩阵当时没有完全弄懂，刚好借着这个机会给深入的学习一下，做好相应的笔记一、检测指标在目标检测任务中，通过不同的IoU阈值来进行检测器的整体的性能评估，对于MS COCO目标检测，有如下检测指标对于MS COCO关键点检测，官方给出的评价指标为OKS(object keypoints similarity)，其评价指标和检测的IoU也很类似，在不同的...
Yolo计算AP,mAP,生成P-R曲线
Mr_kuilei的博客
04-20 3786
环境：Python3.7 Opencv Numpy Matplotlib 参考： https://blog.csdn.net/cgt19910923/article/details/80524173 https://blog.csdn.net/amusi1994/article/details/81564504 https://www.pianshen.com/article/599410093...
breed-ar9344-ar8327n-r1163_迈普AR9344固件_ar9344固件大全_stiff54o_wdr431
10-02
【标题】"breed-ar9344-ar8327n-r1163_迈普AR9344固件_ar9344固件大全_stiff54o_wdr431" 提供的信息是关于一个特定路由器固件的更新，这个固件适用于迈普（MAP）品牌的一款基于AR9344芯片组的路由器，并且它兼容AR...
深度学习：目标检测的指标AP与mAP是什么
lhzhqq的博客
07-06 1649
在目标检测任务中，通过不同的IoU阈值来进行检测器的整体的性能评估，对于MS COCO目标检测，对于MS COCO关键点检测，官方给出的评价指标为OKS（object keypoints similarity），其评价指标和检测的IoU也很类似，在不同的阈值下来实现整体的性能评估
MS COCO数据集的评价标准以及不同指标的选择推荐（AP、mAP、MS COCO、AR、@、0.5、0.75、1、目标检测、评价指标）
Le0v1n 的博客
10-25 6658
目标检测模型性能衡量指标、MS COCO数据集的评价标准以及不同指标的选择推荐 Key Word：AP、mAP、MS COCO、AR、@、0.5、0.75、1、目标检测、评价指标
深度学习-目标检测评估指标P-R曲线、AP、mAP
qq_34809033的博客
12-06 1896
重点看看： 深度学习-目标检测评估指标P-R曲线、AP、mAP
扫盲记-第七篇--常见深度学习模型评估指标
weixin_30719711的博客
03-23 946
深度学习模型评估指标 一个深度学习模型在各类任务中的表现都需要定量的指标进行评估，才能够进行横向的对比比较，包含了分类、回归、质量评估、生成模型中常用的指标。 1 分类评测指标 图像分类是计算机视觉中最基础的一个任务，也是几乎所有的基准模型进行比较的任务，从最开始比较简单的10分类的灰度图像手写数字识别mnist，到后来更大一点的10分类的cifar10和100分类的cifar100，到后来...
目标检测之COCO评价指标
热门推荐
Thomas_Cai的记忆殿堂
09-04 2万+
一、基础概念 TP: IoU>0.5的检测框数量（同一Ground Truth只计算一次） FP: IoU<=0.5的检测框，或者是检测到同一个GT的多余检测框的数量 FN: 没有检测到的GT的数量 Precision: TP / (TP + FP) Recall: TP / (TP + FN) PR曲线: Precision-Recall曲线 AP: PR曲线下面积 mAP: mean Average Precision, 即各类别AP的平均值 二、AP、mAP、AR、mAR计算 AP
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 1万+
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...
深度学习的一些评价指标
weixin_44733311的博客
03-16 4104
目标检测的一些评价指标
计算 recall map ap
07-27
Recall、mAP 和 AP 都是用于评估目标检测模型性能的指标。 Recall（召回率）是指在所有正样本中，模型成功检测到的比例。Recall 的计算公式为： Recall = 检测到的正样本数 / 所有正样本数 mAP（mean Average Precision）是指所有类别的 Average Precision 的平均值。AP（Average Precision）是指在不同 Recall 水平下的精确度（Precision）的平均值。AP 的计算过程一般包括以下几个步骤： 1. 对于每个类别，根据模型对目标的置信度进行排序。 2. 计算每个置信度阈值下的 Precision 和 Recall。 3. 根据 Precision-Recall 曲线下的面积计算 AP。 因此，计算 recall map ap 需要先进行目标检测模型的预测结果和真实标签的匹配，然后计算 Precision、Recall 和 AP。具体计算方法会根据实际情况而异，通常需要使用特定的目标检测工具或库来完成。
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