目标检测之COCO评价指标

最新推荐文章于 2024-08-24 14:34:44 发布

Paul-LangJun

最新推荐文章于 2024-08-24 14:34:44 发布

阅读量364

点赞数 1

文章标签：目标检测 COCO api

原文链接：https://blog.csdn.net/ThomasCai001/article/details/120097650

版权

AP
这是一类中的统计数值，图中一共有7个目标，表头的含义分别是：

1. GT ID：真实目标的ID；
2. Confidence: 程序中判断为该目标的概率值；
3. OB(IOU=0.5)：IOU为0.5的时候判定为正确的框（检测框和真实框的IOU大于等于0.5为True，小于0.5或已经出现大于0.5的正确框为False）；

该计算得到的值即为该类的ap值
mAP：对所有类的ap值求平均，则为map值。
AR
average recall: 即平均召回率，对于不同的iou取最大的召回率再求平均值，例如以上iou=0.5的情况下，最大召回率为0.71，再对不同的iou分别取最大的召回率然后求均值即为AR。
mAR：mAR则为对于所有类别的每一类的AR值求平均值。

除非另有说明，否则AP和AR在多个交汇点（IoU）值上取平均值。具体来说，我们使用10个IoU阈值0.50：0.05：0.95。这是对传统的一个突破，其中AP是在一个单一的0.50的IoU上计算的（这对应于我们的度量APIoU=.50 ）。超过均值的IoUs能让探测器更好定位。
AP是所有类别的平均值。传统上，这被称为“平均准确度”（mAP，mean average precision）。我们没有区分AP和mAP（同样是AR和mAR），并假定从上下文中可以清楚地看出差异。
AP（所有10个IoU阈值和所有80个类别的平均值）将决定赢家。在考虑COCO性能时，这应该被认为是最重要的一个指标。
在COCO中，比大物体相比有更多的小物体。具体地说，大约41％的物体很小（面积<322），34％是中等（322 < area < 962)），24％大（area > 962）。测量的面积（area）是分割掩码（segmentation mask）中的像素数量。
AR是在每个图像中检测到固定数量的最大召回（recall），在类别和IoU上平均。AR与提案评估（proposal evaluation）中使用的同名度量相关，但是按类别计算。
所有度量标准允许每个图像（在所有类别中）最多100个最高得分检测进行计算。
除了IoU计算（分别在框（box）或掩码（mask）上执行）之外，用边界框和分割掩码检测的评估度量在所有方面是相同的。

https://www.bilibili.com/video/BV1ez4y1X7g2
https://www.zhihu.com/question/53405779
https://datascience.stackexchange.com/questions/25119/how-to-calculate-map-for-detection-task-for-the-pascal-voc-challenge
https://cocodataset.org/#detection-eval
https://blog.csdn.net/qq_37541097/article/details/112248194
https://www.jianshu.com/p/d7a06a720a2b
https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/course_ppt