对于目标检测中mAP@0.5的理解

最新推荐文章于 2025-02-12 22:29:18 发布
最新推荐文章于 2025-02-12 22:29:18 发布
阅读量5.3w 收藏 196
点赞数 39
分类专栏： 目标检测
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/luke_sanjayzzzhong/article/details/89851944
版权

文章目录

前言

一直不是很理解目标检测中的mAP是如何的，今天具体来写一下，加深一下理解。

mAP@0.5

mAP@0.5：mean Average Precision
通俗来说，就是给每一类分别计算AP，然后做mean平均。
那AP是什么呢，之前我一直以为是Average Precision，没错，就是平均精确度，可是这个怎么定义呢？

AP是Precision-Recall Curve(PRC)下面的面积！！！

在这里插入图片描述

PRC怎么看：先看平滑不平滑（蓝线明显好些），在看谁上谁下（同一测试集上），一般来说，上面的比下面的好（绿线比红线好）。

接下来来想一下Precision和Recall怎么定义。
之前都知道：

P r e c i s i o n = T P T P + F P Precision

最低0.47元/天 解锁文章
mAP@.5 含义：
jacke121的专栏
09-18 1万+
mAP@0.5 mAP@0.5：mean Average Precision通俗来说，就是给每一类分别计算AP，然后做mean平均。 mAP@[.5:.95]（表示为mAP@[.5,.95]）表示在不同IoU阈值（从0.5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。 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？ AP是指aver...
【深度学习】目标检测的性能评价指标，mAP_0.5，mAP_0.5,0.95,0.05
q742971636的博客
11-07 1万+
计算mAP之前先考虑我们有的数值：图片原label的bbox、模型预测的bbox、模型预测的bbox的置信度、模型预测的bbox中目标类别的分类置信度。此外，我们还需要确定“IoU数值阈值”和“置信度阈值”，模型的预测能满足“IoU数值阈值”与“置信度阈值”（NMS算法）的结果参与最终混淆矩阵计算。精确率和召回率是由混淆矩阵中的数值得到，其中的TP、FP、TN、FN都是会“IoU数值阈值”和“置信度阈值”影响的。目标检测有多个类别，一个类别计算出的AP数值，所有类别平均AP数值称为mAP（
目标检测模型性能评估：mAP50、mAP50-95、Precision 和 Recall 及测试集质量的重要性
最新发布
qq_60865111的博客
02-12 5156
目标检测模型性能评估：mAP50、mAP50-95、Precision 和 Recall 及测试集质量的重要性
map0.5:0.95是什么
m0_57236802的博客
07-07 2344
mAP@0.5：在 IoU 阈值为 0.5 时计算得到的 mAP，适用于评估模型能否大致定位目标。：在多个 IoU 阈值（从 0.5 到 0.95，步长为 0.05）下计算得到的平均 mAP，提供了更全面和严格的评估标准。计算方法：通过计算不同 IoU 阈值下的 AP，然后取平均值得到 mAP@0.5:0.95。通过理解和计算这些指标，可以更好地评估和改进物体检测模型的性能。
mAP@0.5与mAP@0.5:0.95的含义
热门推荐
frighting_ing的博客
11-07 4万+
mAP@0.5: mean Average Precision（IoU=0.5） 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。 mAP@.5:.95（mAP@[.5:.95]） 表示在不同IoU阈值（从0.5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。 那AP是什么呢，Average Precision，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
mAP@0.5 与 mAP@0.5:0.95 是什么意思，YOLOv5
“365天深度学习训练营”报名进行中～
12-23 2万+
mAP@0.5： mean Average Precision（IoU=0.5） 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 如图所示，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。数值越高，即阈值越大，精度越低。 mAP@.5:.95（mAP@[.5:.95]） 表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85.
常见深度学习目标检测指标 AP mAP mAP@0.5 mAP@0.5:0.95 简短总结
weixin_57672347的博客
10-26 2646
目标检测指标计算准确率 召回率 AP mAP。
YOLOv8入门 | 实用脚本 | 绘制多个实验的loss、mAP@0.5、mAP@0.5:0.95的高级图像【科研必备 + 绘图神器】
kay_545
08-10 1832
yolov8实验结果画图，yolov8，论文画图
目标检测mAP计算代码
11-24
目标检测是计算机视觉领域中...通过理解和使用这样的mAP计算代码，你可以对自己的目标检测模型进行准确评估，找出性能瓶颈，并针对性地优化模型。这在算法开发和论文发表中至关重要，因为mAP是评价模型性能的通用标准。
YOLO11论文 | 实用脚本 | 绘制多个实验的loss、mAP@0.5、mAP@0.5:0.95的高级图像【科研必备 + 绘图神器】
kay_545
10-31 1258
yolo11，论文绘图
mAP@0.5 与 mAP@0.50.95 是什么意思，YOLOv5
hjseo_seg的博客
08-20 2167
表示在不同IoU阈值（从0.5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。如图所示，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……数值越高，即阈值越大，精度越低。
神经网络中的评价指标：混淆矩阵、Acc, Precision, Recall, F1分数、mAP@0.5与mAP@0.5:0.95的含义
LIN2020LOVEDA的博客
08-07 2824
神经网络中的评价指标：混淆矩阵、Acc, Precision, Recall, AP, mAP、mAP@0.5与mAP@0.5:0.95的含义
mAP@0.5与mAP@0.5:0.95的含义，YOLO
perfect_ch的博客
06-02 3万+
mAP@0.5：mean Average Precision（IoU=0.5） 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 如图所示，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。数值越高，即阈值越大，精度越低。 mAP@.5:.95（mAP@[.5:.95]） 表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.
mAP@0.5与mAP@0.50.95的含义，YOLO
m0_67392273的博客
03-22 7619
mAP@0.5：mean Average Precision（IoU=0.5） 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 如图所示，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。数值越高，即阈值越大，精度越低。 mAP@.5:.95（mAP@[.5:.95]） 表示在不同IoU阈值（从0.5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、
目标检测指标mAP详解
qq_38375203的博客
06-21 2万+
相信刚刚接触目标检测的小伙伴也是有点疑惑吧，目标检测的知识点和模型属实有点多，想要工作找CV的话，目标检测是必须掌握的方向了。我记得在找实习的时候，面试官就问到了我目标检测的指标是什么，答：mAP！问：mAP是什么？我：.......!☺所以在本文中我也是详细说一下mAP 的含义，有什么不对的或者不全的欢迎大家指正！mAP是mean of Average Precision的缩写，意思是平均精确度（average precision）的平均（mean），是object detection中模型性能的衡量标准
【目标检测】IOU、NMS、mAP@0.5
zhicai_liu的博客
12-17 3647
mAP值计算在NMS之后进行的 在测试的时候，通过置信度阈值和NMS操作中的IOU阈值的双重过滤来得到最终的检测结果； 将这些检测结果与GT计算来得到metric指标，在计算metric的时候又涉及到一个IOU阈值，也就是mAP@0.5中的0.5。 一个IOU阈值是为了NMS去重，一个IOU阈值是为了衡量模型的定位性能； 在做测试的时候，需要设置两个阈值，分别是置信度阈值和IOU阈值（NMS去重）。 AP值计算有3种方式： （1）在VOC2010以前，只需要选取当Recall >= 0, 0.1, 0
YOLO等目标检测模型的非极大值抑制NMS和评价指标(Acc, Precision, Recall, AP, mAP, RoI)、YOLOv5中mAP@0.5与mAP@0.5:0.95的含义
m0_46378271的博客
08-01 3万+
YOLO等目标检测模型的非极大值抑制NMS和评价指标(Acc, Precision, Recall, AP, mAP, RoI)、YOLOv5中mAP@0.5与mAP@0.5:0.95的含义
yolov11的mAP@0.5
01-19
### YOLOv11 mAP@0.5 的计算方法 对于YOLOv11模型，在特定IoU阈值（0.5）下计算平均精度均值（mAP），涉及几个关键步骤。首先，理解mAP的概念至关重要。mAP是指所有类别上平均精度（Average Precision, AP）的均值。而AP衡量的是某一类别的检测性能。 #### 平均精度 (AP) 为了获得某个类别的AP，需要先定义一系列不同的置信度阈值来过滤预测框，并针对每一个阈值计算查准率（Precision）和召回率（Recall）。随后，通过插值法得到这些点构成的一条P-R曲线下的面积即为该类目的AP[^1]。 #### 计算过程 当设定IoU阈值为0.5时： - **真阳性(True Positive)**：如果预测边界框与真实标注之间的交并比(IoU)大于等于0.5，则认为是一个正确的正样本。 - **假阴性(False Negative)** 和 **假阳性(False Positive)** 则分别表示未能成功匹配到任何GT box 或者错误标记为目标的情况。 基于上述分类标准统计各个类目在整个测试集上的TP/FP数量变化情况，进而可以构建出完整的P-R曲线用于后续分析。 最后一步就是求取所有类目标的AP之后再做一次简单平均就得到了最终想要的结果——`mAP@0.5`。 ```python def calculate_map_at_0_5(predictions, ground_truths): """ Calculate the mean average precision at IoU threshold of 0.5. Args: predictions: List of prediction bounding boxes and their scores per image. ground_truths: List of true bounding boxes per image. Returns: float: The calculated mAP value @ IoU=0.5. """ iou_threshold = 0.5 # Initialize variables to store results across all classes ap_per_class = {} for cls_id in unique_classes_in_data(): precisions, recalls = compute_precision_recall_for_class( predictions=predictions, ground_truths=ground_truths, class_index=cls_id, iou_threshold=iou_threshold ) # Compute interpolated precision/recall curve area under it as AP ap_value = voc_ap(precisions, recalls) ap_per_class[cls_id] = ap_value # Mean over all classes gives us final result map_result = sum(ap_per_class.values()) / len(unique_classes_in_data()) return map_result def voc_ap(recalls, precisions): """Compute VOC-style Average Precision from recall & precision lists.""" rec = np.concatenate(([0.], recalls, [1.])) pre = np.concatenate(([0.], precisions, [0.])) # Ensure decreasing order by reversing sort on precisions where there are ties in recalls for i in range(len(pre)-2,-1,-1): pre[i]=max(pre[i],pre[i+1]) indices = np.where(rec[:-1]!=rec[1:])[0]+1 ap=np.sum((rec[indices]-rec[indices-1])*pre[indices]) return ap ```
评论 7
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

打赏作者

zedjay_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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