评估计算recall、precision、AP、F1、mAP（PyTorch-YOLOv3代码解析二）

已于 2024-03-15 22:47:04 修改
阅读量7.2k 收藏 33
点赞数 6
分类专栏： 目标检测 深度学习知识点 文章标签： 目标检测 检测结果评估计算
于 2021-04-13 11:44:03 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/YMilton/article/details/115658467
版权
本文详细介绍了如何使用PyTorch实现YOLOv3目标检测中的评估函数ap_per_class，包括计算AP（Average Precision）、召回率、精确度和F1分数。涉及数据预处理、TP统计以及多幅图像的批量评估过程。

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

目标检测评估计算（utils.py）

代码github地址：https://github.com/eriklindernoren/PyTorch-YOLOv3

1. 检测的评估函数

# reference: https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/f917503ffe4a21d2b1148d8cb13b89b834517d76/utils/utils.py

def ap_per_class(tp, conf, pred_cls, target_cls):
    """ 通过召回率与精确度曲线计算mAP
    Source: https://github.com/rafaelpadilla/Object-Detection-Metrics.
    # 参数说明
        tp: True positives (list).
        conf: 置信度[0,1] (list).
        pred_cls: 预测的目标类别 (list).
        target_cls: 真正的目标类别 (list).
    # 返回
          [precision,recall,average precision,f1, classes_num]
    """

    # 按照预测的置信度做降序排列, 得到排序的索引
    i = np.argsort(-conf)
    tp, conf, pred_cls = tp[i], conf[i], pred_cls[i]

    # 去除重复项
    unique_classes = np.unique(target_cls)

    # 为每个类别创建精度-召回曲线, 计算AP
    ap, p, r = [], [], []
    for c in tqdm.tqdm(unique_classes, desc="Computing AP"):
        # 找出等于c的位置
        i = pred_cls == c
        # 类别c的人工标注目标的数量
        n_gt = (target_cls == c).sum()
        # 类别c的预测目标数量
        n_p = i.sum()

        if n_p == 0 and n_gt == 0:
            continue
        elif n_p == 0 or n_gt == 0:
            ap.append(0)
            r.append(0)
            p.append(0)
        else:
            # 累加计算FPs与TPs
            fpc = (1 - tp[i]).cumsum()  #
            tpc = (tp[i]).cumsum()

            # Recall
            recall_curve = tpc / (n_gt + 1e-16)  # TP/(TP + FN) (TP+FN)为当前类人工标注目标数量
            r.append(recall_curve[-1]) # 这个类别的召回率

            # Precision
            precision_curve = tpc / (tpc + fpc)  # TP/(TP + FP) (TP+FP)为预测框的数量
            p.append(precision_curve[-1]) # 这个类别的精确率

            # 从召回率-精确率曲线计算AP
            ap.append(compute_ap(recall_curve, precision_curve))

    # Compute F1 score (harmonic mean of precision and recall)
    p, r, ap = np.array(p), np.array(r), np.array(ap)
    f1 = 2 * p * r / (p + r + 1e-16)

    return p, r, ap, f1, unique_classes.astype("int32")

2. batch预测数据的统计

(1) 数据加载。通过统计非极大值抑制后得到的outputs与人工标注框的targets条目，得到TP(目标预测正确)。统计的数据为一个batch的，保存的数据为statistics_data.pt，输出数据的shape。

# 非极大值抑制后的outputs,与targets
batch_statistics = torch.load('statistics_data.pt',map_location='cpu')
outputs = batch_statistics['outputs']
targets = batch_statistics['targets']
print('outputs_shape: ',[x.shape for x in outputs])
print('targets_size: ', targets.shape,end='\n\n')

输出结果：

数据statistics_data.pt保存的是8幅图像预测框与人工标注框数据，其中outputs的数据由非极大值抑制获取。outputs数据格式[x1,y1,x2,y2,conf,class_score,class_idx]，targets数据格式[batch_idx,class_idx,x1,y1,x2,y2]。数据中的坐标是相对于网络中的输入尺寸。

(2) 统计TP。当某幅图像的某个预测框与targets中的真实框的IoU大于某个阈值，则表示该预测框能够作为targets中真实框的预测值。

# output为某幅图像的预测框，初始化tp
true_positives = np.zeros(output.shape[0])
# 找出targets中batch_idx=i的class_idx与标注框坐标
annotations = targets[targets[:, 0] == i][:, 1:]
    
if len(annotations):
    # 真实的目标类别代号，标注框
    target_labels = annotations[:, 0]
    target_boxes = annotations[:, 1:]
    print('target_boxes: ',target_boxes,',target_labels: ',target_labels)   
    detected_boxes = []
    # 遍历预测框索引，预测框坐标，预测类别代号 
    for pred_i,(pred_box, pred_cls) in enumerate(zip(output[:,:4],output[:,-1])):
        if len(detected_boxes) == len(target_boxes): break
        if pred_cls not in target_labels: continue 
        # 预测框去拟合目标框（通过最大的IoU加阈值判断）   
        iou, box_index = bbox_iou(pred_box.unsqueeze(0), target_boxes).max(0)
        print('pred_{}'.format(pred_i),iou, ',box_index: ',box_index)
        if iou >= iou_threshold and box_index not in detected_boxes:
            # 预测真实值则赋值相应位置为1
            true_positives[pred_i] = 1
            detected_boxes += [box_index]

输出结果：

[true_positives, pred_confs, pred_cls]：

多幅图像的统计：

# batch统计
batch_metrics = []
for i,output in enumerate(outputs):
    true_positives = np.zeros(output.shape[0])
    annotations = targets[targets[:, 0] == i][:, 1:]
    
    if len(annotations):
        target_boxes = annotations[:, 1:]
        target_labels = annotations[:, 0]
        detected_boxes = []
        
        for pred_i,(pred_box, pred_cls) in enumerate(zip(output[:,:4],output[:,-1])):
            if len(detected_boxes) == len(target_boxes): break
            if pred_cls not in target_labels: continue 
            
            iou, box_index = bbox_iou(pred_box.unsqueeze(0), target_boxes).max(0)
            if iou >= iou_threshold and box_index not in detected_boxes:
                true_positives[pred_i] = 1
                detected_boxes += [box_index]
    # 每幅图像的TP,预测的目标置信度,预测类别代号
    batch_metrics.append([true_positives,output[:,4],output[:,-1]])

3. Recall、Precision、F1、AP、mAP计算

(1) 获取batch统计的结果与排序

batch_metrics的数据结构（list）：

[[true_positives1, pred_confs1, pred_cls1],

[true_positives2, pred_confs2, pred_cls2],

[true_positives3, pred_confs3, pred_cls3],

......]

通过解包重组: list(zip(*batch_metrics))，然后得到如下：

[(true_positives1, true_positives2, ......),

(pred_confs1, pred_confs2, ......),

(pred_cls1, pred_cls2, ......) ]

# 解包一个batch的数据
true_positives, pred_confs, pred_cls = [np.concatenate(x, 0) for x in list(zip(*batch_metrics))]

按照置信度降序排列统计的数据

# 按照置信度降序排序，排序tp,conf，cls
idx = np.argsort(-pred_confs)
tp, pre_confs, pred_cls = true_positives[idx],pred_confs[idx],pred_cls[idx]

(2) 评估一个batch的预测结果。通常情况是通过第2步的统计，统计出整个验证图片库的[true_positives, pred_confs, pred_cls]数据，然后再计算相应的评估值。

a. 召回率、精确度曲线

# 人工标注的类别
unique_cls = np.unique(target_cls)

# 每个类别创建精度-召回曲线, 计算AP
ap, p, r = [], [], []
for num, c in enumerate(unique_cls):
    idx = pred_cls==c
    # 类别c的人工标注目标的数量
    n_gt = (target_cls == c).sum().numpy()
    n_p = idx.sum()
    print('n_gt: ',n_gt,',n_p: ',n_p)
    
    if n_p == 0 and n_gt == 0:
        continue
    elif n_p == 0 or n_gt == 0:
        ap.append(0)
        r.append(0)
        p.append(0)
    else:
        # 累加计算FPs与TPs
        fpc = (1 - tp[idx]).cumsum()
        tpc = tp[idx].cumsum()
        
        # 召回率
        recall_curve = tpc/(n_gt + 1e-16) # TP/(TP+FN)
        r.append(recall_curve[-1])
        
        # 精确率
        precision_curve = tpc/(tpc+fpc) # TP/(TP+FP)
        p.append(precision_curve[-1])
        print('recall_curve: ',recall_curve,'\nprecision_curve: ',precision_curve)

一个类别召回率、精确度曲线输出：

b. AP计算

AP是召回率-精确度曲线的面积，采用的方法为积分求面积。通过plot绘制的曲线如下图所示：

积分的方法需要找出图中recall存在梯度的位置，即上图红色线与红色线之间在recall方向存在梯度（也就是相邻的两个点的recall值不同）。把整个面积区域划分成坐标点-1个条形图（图中8个点，则有7个条形图），然后求和所有条形图的面积得到AP的面积。实现代码如下：

# 计算AP，检测评估函数compute_ap
mrec = np.concatenate(([0.0], recall_curve, [1.0]))
mpre = np.concatenate(([1.0], precision_curve, [0.0]))
        
for i in range(mpre.size - 1, 0, -1):
    mpre[i - 1] = np.maximum(mpre[i - 1], mpre[i])
        
# 找出召回率有梯度的位置
idx = np.where(mrec[1:] != mrec[:-1])[0]
# 计算面积 sum(delta_recall*precision)
ap_c = np.sum((mrec[idx+1] - mrec[idx])*mpre[idx + 1])

c. 计算F1

f1 = 2 * p * r / (p + r + 1e-16)

d. 总体代码

# 评估一个batch的预测结果
true_positives, pred_confs, pred_cls = [np.concatenate(x, 0) for x in list(zip(*batch_metrics))]
target_cls = targets[:,1]

# 按照置信度降序排序，排序tp,conf，cls
idx = np.argsort(-pred_confs)
tp, pre_confs, pred_cls = true_positives[idx],pred_confs[idx],pred_cls[idx]

# 得到人工标注的类别
unique_cls = np.unique(target_cls)

# 为每个类别创建精度-召回曲线, 计算AP
ap, p, r = [], [], []
for num, c in enumerate(unique_cls):
    idx = pred_cls==c
    # 类别c的人工标注目标的数量
    n_gt = (target_cls == c).sum().numpy()
    n_p = idx.sum()
    
    if n_p == 0 and n_gt == 0:
        continue
    elif n_p == 0 or n_gt == 0:
        ap.append(0)
        r.append(0)
        p.append(0)
    else:
        # 累加计算FPs与TPs
        fpc = (1 - tp[idx]).cumsum()
        tpc = tp[idx].cumsum()
        
        # 召回率
        recall_curve = tpc/(n_gt + 1e-16) # TP/(TP+FN)
        r.append(recall_curve[-1])
        
        # 精确率
        precision_curve = tpc/(tpc+fpc) # TP/(TP+FP)
        p.append(precision_curve[-1])
        
        # 计算AP
        mrec = np.concatenate(([0.0], recall_curve, [1.0]))
        mpre = np.concatenate(([1.0], precision_curve, [0.0]))
        
        for i in range(mpre.size - 1, 0, -1):
            mpre[i - 1] = np.maximum(mpre[i - 1], mpre[i])
        
        # 找出召回率有梯度的位置
        idx = np.where(mrec[1:] != mrec[:-1])[0]
        
        # 计算面积
        ap_c = np.sum((mrec[idx+1] - mrec[idx])*mpre[idx + 1])
        ap.append(ap_c)

# batch中所有类别       
p, r, ap = np.array(p), np.array(r), np.array(ap)
f1 = 2 * p * r / (p + r + 1e-16)

#[类别，召回率，精确率，F1, AP]
str_list = ['%d \t %.3f \t %.3f \t %.3f \t %.3f'%(x[0],x[1],x[2],x[3],x[4]) for x in np.array([unique_cls,r,p,f1,ap]).T]
print('cls_num | recall | precision | F1 | AP')
for x in str_list:
    print(x)

print('mAP:', np.mean(ap))

输出结果：

YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
Snu77的博客
11-02 9万+
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！！
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 7234
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。
YOLO计算二分类目标检测的Precision、Recall代码实现
Ben的博客
11-04 2025
计算二分类目标检测的Precision、Recall、TP、FP、FN必备文件计算思路完整代码 必备文件 经过模型检测得到的检测矩形框结果txt，以及原Ground truth的txt,格式如下： 0 0.5568524 0.354654 0.356945 0.24562324 第一列为class name，第二列为归一化后bounding box的中心点x坐标，第三列为中心点y坐标，第四列为bounding box的宽w，第五列为高h。 计算思路 将xywh逆归一化，得到bounding box的xm
完整代码案例：目标检测评估实战
ltm1410010510的博客
02-26 295
10, 10, 50, 50, 0], # 类别0的框[60, 60, 100, 100, 1] # 类别1的框。
机器学习：性能度量——Precision，Recall，F1_score（Python）
2302_78896863的博客
01-23 981
【代码】机器学习：性能度量——Precision，Recall，F1_score（Python）
推荐系统评价指标
qq_38124658的博客
08-04 364
混淆矩阵 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). 1. 精确率(precision) 定义如下： P=TPTP+FP P=\frac{T P}{T P+F P} P=TP+FPTP​ T
pytorch实战：详解查准率（Precision）、查全率（Recall）与F1
forGemini的博客
11-24 1万+
pytorch实战：详解查准率（Precision）、查全率（Recall）与F1 1、概述 本文首先介绍了机器学习分类问题的性能指标查准率（Precision）、查全率（Recall）与F1度量，阐述了多分类问题中的混淆矩阵及各项性能指标的计算方法，然后介绍了PyTorch中scatter函数的使用方法，借助该函数实现了对Precision、Recall、F1及正确率的计算，并对实现过程进行了解释。 观前提示：阅读本文需要你对机器学习与PyTorch框架具有一定的了解。 Tips：如果你只是想利用PyTo
YOLOv5性能评估指标-＞mAP、Precision、Recall、FPS、Confienc (讲解论文关注的主要指标)
Snu77的博客
12-21 2万+
这篇博客，主要给大家讲解我们在训练yolov5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成多少个文件如下图所示，下面的文章讲解都会围绕这个结果文件来介绍。
YOLOv10性能评估指标-＞mAP、Precision、Recall、FPS、IoU
Snu77的博客
07-13 3827
这篇博客，主要给大家讲解我们在训练yolov10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成多少个文件如下图所示，下面的文章讲解都会围绕这个结果文件来介绍。二、评估用的数据集。
Pytorch | yolov3原理及代码详解（三）
qq_24739717的博客
07-23 8767
阅前可看 Pytorch | yolov3原理及代码详解（一） https://blog.csdn.net/qq_24739717/article/details/92399359 Pytorch | yolov3原理及代码详解（二） https://blog.csdn.net/qq_24739717/article/details/96705055 上接“Pytorch | yolov...
WIN10 +pytorch版yolov3训练自己数据集
python深度学习笔记,一起学习的加QQ2737499951
05-17 1万+
pytorch版yolov3训练自己数据集 目录 1. 环境搭建 2. 数据集构建 3. 训练模型 4. 测试模型 5. 评估模型 6. 可视化 7. 高级进阶-网络结构更改 1. 环境搭建 将github库download下来。 git clone https://github.com/ultralytics/yolov3.git 建议在linux环境下使用anaconda...
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
【yolov3】【2】yolov3-spp结构详解与源码解析（pytorch）
yjyjjyjy1231的博客
09-18 1万+
yolov3-spp是yolov3的一个版本，在yolo官网中给出了cfg和weights。 本文调试源码为ultralytics/yolov3，参考博客为yolo系列之yolo v3【深度解析】 目录 文章目录结构详解源码解析数据预处理和加载前向传播计算loss后续 结构详解 参考yolo系列之yolo v3【深度解析】。对照这一博客中的网络结构图，将cfg文件print出来，分析了一下，如下...
yolo,mAP, F1值, 召回率（Recall），精确率（Precision），(TP,TN,FP,FN)，交除并（Intersection-over-Union（IoU））
分享计算机视觉，C++，网络摄像头研发，音视频开发，嵌入式等知识。
03-19 9080
mAP 平均精度(mAP)是一个度量标准，用于评估对象检测模型，如Fast R-CNN, YOLO, Mask R-CNN等。 mAP formula is based on the following sub metrics（mAP公式基于以下子度量）: Confusion Matrix, Intersection over Union(IoU), Recall, Precision confusion matrix TP: True：表示预测正确，Positives表示预测的结果是正。说明使用的是
Keras-yolo3下计算mAP目标检测精确度（IOU,AP,precision,recall)，史上最全！！附实现代码！！
05-20 6934
目录知识储备1、IOU的概念2、TP TN FP FN的概念3、precision（精确度）和recall（召回率）4、概念举例5、单个指标的局限性什么是AP什么是MAP绘制mAP1 下载mAP压缩包2 images-optional文件夹3 ground_truth文件夹3.1 将xml导入到ground_truth文件夹3.2 将xml转成txt文件4 detection-results文件夹...
【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。
深度学习模型评估指标（区分二元分类和多分类 含YOLO源码分析）：accuracy、precision、recall
北溟客的博客
06-25 3359
深度学习模型评估指标：accuracy、precision、recall1. 准确率（accuracy）、精确率（precision）、召回率（recall）1.1基本概念1.2二元分类模型的定义1.3多分类模型的定义1.4举例说明1.5 YOLOv3中recall的计算2. 关于精确率和召回率的关系 1. 准确率（accuracy）、精确率（precision）、召回率（recall） 1.1基本概念 准确率（accuracy）、精确率（precision）、召回率（recall）三个指标的定义是有一定条
看懂YOLOv7混淆矩阵的含义，正确计算召回率、精确率、误检率、漏检率
孟孟单单的博客
11-28 1万+
【代码】看懂YOLOv7混淆矩阵的含义，正确计算召回率、精确率、误检率、漏检率。
机器学习之参数-P、R、AP、mAP、F1
AndrewPerfect的博客
07-02 1507
调小的同时增大学习率（learning_rate）是一种常用的策略，旨在保持训练速度的同时提高模型的训练质量。可能使得每次迭代中的噪声增加，从而有助于模型跳出局部最小值；而增大的学习率则有助于模型更快地更新权重。预测样本中实际正样本数。预测样本中实际正样本数。
p, r, ap, f1, ap_class = ap_per_class(*stats, plot=plots, save_dir=save_dir, names=names) ap50, ap = ap[:, 0], ap.mean(1) # AP@0.5, AP@0.5:0.95 mp, mr, map50, map = p.mean(), r.mean(), ap50.mean(), ap.mean() 解释一下代码的意思，.mean是什么
最新发布
04-02
<think>好的，我现在要解决用户的问题，关于Python中`ap_per_class`函数的作用以及`.mean`方法属于NumPy还是PyTorch。首先，我需要确认用户提到的`ap_per_class`函数的来源。通常在目标检测任务中，比如YOLO或类似的模型评估中，会用到计算每个类别的平均精度（Average Precision, AP），然后取所有类别的平均值得到mAP（mean Average Precision）。因此，`ap_per_class`很可能是一个用于计算每个类别AP的函数。 接下来，关于`.mean`方法，用户想知道这是NumPy还是PyTorch的方法。我需要回忆这两个库中计算均值的方法。NumPy的数组对象有`.mean()`方法，同样，PyTorch的张量也有`.mean()`方法。所以，具体属于哪个库取决于调用对象的数据类型。如果结果是一个NumPy数组，那么`.mean()`就是NumPy的方法；如果是PyTorch张量，就是PyTorch的方法。 然后，我需要检查用户提供的引用内容，看是否有相关线索。用户引用了环境配置的信息，包括安装了PyTorch 1.13.0和flash_attn，以及requirements.txt。这可能意味着代码中使用了PyTorch，但也不能排除同时使用NumPy的情况。不过，在深度学习模型中，数据通常以张量形式处理，但评估指标可能会转换为NumPy数组进行计算，因为NumPy在数值计算上更为方便。 接下来，我需要详细解释`ap_per_class`函数的功能。这个函数通常接收模型的预测结果、真实标签、类别数等参数，计算每个类别的精确率-召回率曲线下的面积（AP），然后可能对所有类别的AP取平均得到mAP。具体的实现可能包括匹配预测框和真实框，计算TP（True Positive）和FP（False Positive），按置信度排序，计算精确率和召回率，然后积分得到AP。 对于`.mean()`方法，需要说明其作用是对数组或张量中的元素取平均值，并指出在两种库中的使用方式。例如，NumPy中的`np.array([1,2,3]).mean()`会返回2.0，而PyTorch中的`torch.tensor([1,2,3]).float().mean()`也会返回同样的结果。同时，提醒用户注意数据类型，确保在计算前数据已经转换为正确的类型，避免错误。 可能用户的问题来源于阅读或编写目标检测的评估代码，需要理解AP的计算过程以及如何利用.mean方法得到mAP。用户可能对评估指标的具体实现细节不熟悉，需要明确函数的作用和方法的来源，以便调试或修改代码。 最后，生成相关问题，需要考虑用户可能进一步想知道如何实现AP计算，或处理多类别的评估，以及如何在不同框架下进行均值计算。相关问题需要围绕这些主题展开，帮助用户深入理解。</think>### `ap_per_class`函数解析 `ap_per_class`是目标检测任务中常用的评估指标计算函数，主要用于计算每个类别的平均精度（Average Precision, AP）。该函数通常出现在YOLO系列等目标检测框架的评估模块中，其核心作用包括： 1. 统计每个类别的预测置信度和真实标签 2. 计算精确率(precision)和召回率(recall)曲线 3. 通过积分运算求取PR曲线下面积（即AP值） 典型函数参数结构： ```python def ap_per_class(tp, conf, pred_cls, target_cls): # tp: 预测是否为真正例的布尔数组 # conf: 预测置信度数组 # pred_cls: 预测类别数组 # target_cls: 真实类别数组 ``` ### `.mean()`方法归属说明 `.mean()`方法同时存在于NumPy和PyTorch中，其归属取决于调用对象的数据类型： | 框架 | 调用示例 | 特点 | |---------|-------------------------------|---------------------------| | NumPy | `np.array([1,2,3]).mean()` | 默认计算算术平均值 | | PyTorch | `torch.tensor([1,2,3]).mean()`| 支持指定维度和数据类型[^1] | ### 典型实现代码段 ```python # 计算每个类别的AP aps = [] for cls in unique_classes: # 获取当前类别的预测结果 cls_mask = (pred_cls == cls) tp_cls = tp[cls_mask] conf_cls = conf[cls_mask] # 按置信度降序排序 sorted_indices = np.argsort(-conf_cls) tp_sorted = tp_cls[sorted_indices] # 计算累积TP/FP tp_cumsum = np.cumsum(tp_sorted) fp_cumsum = np.cumsum(~tp_sorted) # 计算精确率和召回率 precision = tp_cumsum / (tp_cumsum + fp_cumsum + 1e-16) recall = tp_cumsum / (n_gt + 1e-16) # 计算AP（使用11点插值法） aps.append(compute_ap(recall, precision)) # 计算mAP mAP = np.array(aps).mean() ``` ### 使用注意事项 1. 输入数据需要预先完成预测与真实标签的匹配 2. 置信度排序应采用稳定排序算法 3. 需要处理除零情况（如添加epsilon） 4. AP计算方式需与评估标准一致（如PASCAL VOC或COCO标准）
评论 8
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