目标检测结果IOU不同取值的含义 IoU=0.50与IoU=0.50:0.95

你好，明天，，

已于 2023-10-23 09:30:01 修改

阅读量4.4k

点赞数 3

分类专栏：目标检测深度学习 pytorch 文章标签：目标检测计算机视觉人工智能

于 2023-03-28 15:33:37 首次发布

本文链接：https://blog.csdn.net/baidu_41774120/article/details/129816948

版权

23 篇文章 3 订阅

订阅专栏

10 篇文章 1 订阅

订阅专栏

7 篇文章 0 订阅

订阅专栏

AP是单个类别平均精确度，而mAP是所有类别的平均精确度。

AP是Precision-Recall Curve曲线下面的面积。

曲线面积越大说明AP的值越大，类别的检测精度就越高。Recall是召回率，也叫查全率，Precision是准确率，也叫查准率，两者是相互矛盾的指标，如果能够较好的平衡两者，将在不同的条件下得到较好的检测效果，也就是曲线面积。

混淆矩阵中（上图）：
True Positive区域：正样本预测为正样本
False Positive区域：负样本预测为正样本
False Negative区域：正样本预测为负样本
True Negative区域：负样本预测为负样本

注意：Flase和Ture表示错误判断和正确判断；Postive和Negative表示预测结果是正还是负。
如 False Positive ：错误判断为正，说明实际为负；判断为正，判断错了。同理，False Negative：错误判断为负，说明实际为正；判断为负，判断错了。

预测样本在检测中就是预测框的大小，我们设置的IoU就是指的真实框与预测框的交并比，如果大于阈值就是正确，小于就是错误。

IoU=0.50意味着IoU大于0.5被认为是检测到，即将IoU设为0.5时，计算每一类的所有图片的AP，然后所有类别求平均，即mAP。
IoU=0.50:0.95意味着IoU在0.5到0.95的范围内被认为是检测到，表示在不同IoU阈值（从0.50到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。
越低的IoU阈值，则判为正确检测的越多，相应的，Average Precision (AP)也就越高。参考上面的第二第三行。
small表示标注的框面积小于32 * 32；
medium表示标注的框面积同时小于96 * 96；
large表示标注的框面积大于等于96 * 96；
all表示不论大小，我都要。
maxDets=100表示最大检测目标数为100。

训练之后的mAP结果图类似于下图：

关注