人体关键点检测评价指标oks/Precision/AP/mAP/Recall/AR/IoU

最新推荐文章于 2024-01-09 16:18:58 发布
最新推荐文章于 2024-01-09 16:18:58 发布
阅读量1.5w 收藏 81
点赞数 16
分类专栏： 一起从0开始深度学习 人体关键点检测
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/lyx_323/article/details/107463923
版权

1、OKS（Object Keypoint Similarity）

主要指标就是OKS（Object Keypoint Similarity），这个指标启发于目标检测中的IoU指标，目的就是为了计算真值和预测人体关键点的相似度。

2、OKS矩阵

OKS是计算两个人之间的骨骼点相似度的，那一张图片中有很多的人时，该怎么计算呢？这时候就是构造一个OKS矩阵了。

假设一张图中，一共有M个人（groudtruth中），现在算法预测出了N个人，那么我们就构造一个M×N的矩阵，矩阵中的位置（i,j）代表groudtruth中的第i个人和算法预测出的第j个人的OKS相似度，找到矩阵中每一行的最大值，作为对应于第i个人的OKS相似度值。

3、AP（Average Precision）

平均精度

根据前面的OKS矩阵，已经知道了某一张图像的所有人（groundtruth中出现的）的OKS分数，现在测试集中有很多图像，每张图像又有一些人，此时该如何衡量整个算法的好坏的。这个时候就用到了AP的概念，AP就是给定一个t，如果当前的OKS大于t，那就说明当前这个人的骨骼点成功检测出来了，并且检测对了，如果小于t，则说明检测失败或者误检漏检等，因此对于所有的OKS，统计其中大于t的个数，并计算其占所有OKS的比值。即假设OKS一共有100个，其中大于阈值t的共有30个，那么AP值就是30/100=0.3。

4、mAP（mean Average Precision）

AP的均值

具体计算方法就是给定不同的阈值t，计算不同阈值情况下对应的AP，然后求个均值就ok。

5、Recall

召回率

6、AR（Average Recall）

平均召回率

6、IoU(Intersection-over-Union)

目标检测中使用的一个概念
是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率,即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。

＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝

其实，准确率Precision，召回率Recall，这个翻译很蛋疼。。。很长时间我都没有理解，直到我看到了某篇博客

recall最合理的翻译应该是 查全率：实际检测出某种类的个数占该种类总数的百分比。
precision的最合理的翻译应该是查准率：检测到某种类的总数中的正确数量的百分比。

最大的区别就是分母，recall是某种类的总数（多数情况都是已知的），precision是实际检测的总数（是会变化的）

豁然开朗了吧！

我们来举个栗子：假设一个班级有10个学生，5男5女
你用机器找女生，机器返回了一下结果：
| 男 | 女 | 女 | 男 | 女 | 男 |

那么，女生的查准率（准确率）为：3/6 = 0.5（实际检测总数：6个，结果只有3个正确）
女生的查全率（召回率）为: 3/5 = 0.6 （实际女生的总数：5个，结果只有3个正确）

这下ok了吧，我们在来看个栗子，检查下是否真的理解了，顺便带上mAP、AP

图片名称

query１：一共有5个

recall:分母是5

1/5=0.2 1/5=0.2  2/5=0.4  2/5=0.4  2/5=0.4  3/5=0.6  3/5=0.6  3/5=0.6  4/5=0.8  5/5=1.0

precision:分母是会变化的，注意是实际检测的次数总数1->10

1/1=1.0 1/2=0.5  2/3=0.67  2/4=0.5  2/5=0.4  3/6=0.5  3/7=0.43  3/8=0.375  4/9=0.44  5/10=0.5

AP1:    (1.0+0.67+0.5+0.44+0.5)/5=0.62  AR同理，这个情况肯定是１

query2：一共有3个检测目标

recall:分母是3

0/3=0.0   1/3=0.33   1/3=0.33   1/3=0.33   2/3=0.67    2/3=0.67   3/3=1.0   3/3=1.0    3/3=1.0    3/3=1.0

precision:分母是会变化的，注意是实际检测的次数总数1->10

0/1=0.0   1/2=0.5   1/3=0.33   1/4=0.25   2/5=0.4    2/6=0. 33   3/7=0.43   3/8=0.375   3/9=0.3   3/10=0.3

AP2:    (0.5+0.4+0.43)/3=0.44，AR同理，这个情况肯定是１

综上：mAP = (AP1+AP2)/2 = (0.62+0.44)/2=0.53

＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝

coco

1、https://cocodataset.org/#keypoints-2020

2、工具

3、https://cocodataset.org/#keypoints-eval

官网是这么解释的，重新写一下

                                                                  OKS=\frac{\mathrm{\sum _{i}}e\tfrac{-d_{i}^{2}}{2*s^{2}k_{i}^{2}}\delta(v_{i}> 0)}{\mathrm{\sum _{i}} \delta(v_{i}> 0) }

需要注意的是，v的范围是0，1，2 . v is a visibility flag defined as v=0: not labeled, v=1: labeled but not visible, and v=2: labeled and visible

这里还有别人的其他解释，大家可以看看https://zhuanlan.zhihu.com/p/48601321

3TV
关注
  • 16
    点赞
  • 踩
  • 81
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
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 4586
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。
关键点检测中的对象关键点相似度
DT程序员的博客
08-19 369
在本文中，我们尝试发展对象关键点相似性的概念作为两组关键点之间的相似性度量。
mmpose关键点（一）：评价指标（PCK,OKS,mAP）
litt1e的博客
08-10 7573
由于，近期项目需要引入关键点做一些方向逻辑的判断，在此记录一些实验与经典论文方法。首先，我们先了解一下关键点估计的评价指标。
人体关键点评价指标---OKS计算
Matthew技术小站
11-07 1万+
转载自知乎 OKS, object keypoint similarity, 即关键点相似度. 在人体关键点评价任务中,对于网络得到的关键点好坏,并不是仅仅通过简单的欧氏距离来计算的,而是有一定的尺度加入,来计算两点之间的相似度. 公式: OKSp=∑i{−dp22/2Sp2σi2}δ(vpi=1)∑iδ(vpi=1)OKS_{p} = \frac{\sum_{i}\{-d^{2}_{p^{2}}...
人体姿态估计-计算OKS指标-代码注释
songge1_2_3的博客
02-27 998
人体姿态估计、crowdpose、oks指标推导过程
人体姿态估计－评价指标（一）
热门推荐
ZXF_1991的博客
02-12 1万+
人体姿态估计－@1{评价指标}摘要 摘要 人体姿态估计可以细分成四个任务：单人姿态估计 (Single-Person Skeleton Estimation)、多人姿态估计 (Multi-person Pose Estimation)、人体姿态跟踪 (Video Pose Tracking)、3D人体姿态估计 (3D Skeleton Estimation)。 单人姿态估计: 输入是切割出来的单个...
关键点检测评价指标OKS
木盏
07-22 5340
OKS，全称为“Object Keypoint Similarity”，即目标关键点相似性。是一种常见地、用于评估2D关键点检测的指标。 公式为： 描述为： Here di is the Euclidean distance between a detected keypoint and its corresponding ground truth, vi is the visibility flag of the ground truth, s is the object scale, an...
MS COCO 目标检测 、人体关键点检测评价指标
bryant_meng
09-01 7150
文章目录1 MS COCO 目标检测评价指标2 MS COCO 人体关键点检测评价指标 1 MS COCO 目标检测评价指标 COCO 目标检测评价指标（官网） The evaluation metrics for detection with bounding boxes and segmentation masks are identical in all respects except for the IoU computation (which is performed over boxes..
【 人脸关键点检测评价指标：NME】
冰雪的博客
01-09 1655
个坐标的ground-truth，d为归一化因子。d可以为IPN(Inter- pupil distance normalized error )，也可以为ION(inter-ocular distance normalized error)。NME(Normalization Mean Error)，通常用于评估人脸对齐算法的质量。分别是每幅图像关键点坐标的真实值和预测值，
基于图的动作预测用于异常动作检测-内含源码和说明书(可自己修改).zip
最新发布
05-25
在人体姿态估计中，OKS是一个衡量关键点检测准确性的指标，常用于评估预测的人体关节位置与真实位置的匹配程度。 "pose_xy.py" 文件可能实现了从图像中提取人体姿态的关键点坐标的功能。这通常涉及到人体姿态估计...
OKS JSY-8816程控电话交换机软件
10-15
《OKS JSY-8816程控电话交换机软件详解》 在现代通信技术领域，程控电话交换机是不可或缺的一部分，尤其对于企业、机构以及大型组织来说，高效稳定的电话通信系统至关重要。OKS JSY-8816程控电话交换机软件就是这样...
OKS JSY-8816 程控电话交换机软件
10-15
《OKS JSY-8816 程控电话交换机软件详解》 OKS JSY-8816 程控电话交换机软件是现代通信技术中的一种核心应用，它集成了先进的数字通信技术和智能化管理功能，旨在为企业和机构提供高效、便捷的通讯解决方案。这款...
OKS温钢模板施工方案(杨利英).doc
06-13
【OKS温钢模板施工方案】是北京奥克森建筑装饰工程有限公司和奥克森（北京）新材料科技有限公司为建筑工程提供的一种高效、节能的模板施工技术。该方案以OKS温钢模板为核心，结合多种施工规范和技术标准，旨在确保...
oks513.github.io:我的第一个网站
04-03
你使用"oks513.github.io"这个域名，这通常与GitHub Pages服务有关。GitHub Pages允许用户免费托管静态网站，它是GitHub提供的一个功能，可以将你的代码仓库直接转化为可访问的网页。在你的案例中，"oks513"可能代表...
OKS指标详解
xiaolouhan的博客
05-13 1万+
参考网站 http://cocodataset.org/#keypoints-eval https://blog.csdn.net/u014734886/article/details/78837961 Keypoint Evaluation 本篇描述了COCO数据集的 Keypoint估计 的度量方法，提供的估计代码可以用于获得公共验证集的估计结果，但是测试集的真实标注是隐藏的，要想...
人体骨骼关键点检测AP值AP@s
weixin_44627093的博客
09-28 518
OKSp=Σiexp⁡{−dpi2/(2Sp2σpi2)}δ(vpi=1,vpi′=1)Σiδ(vpi=1) O K S_p=\frac{\Sigma_i \exp \left\{-d_{p i}^2 /\left(2 S_p^2 \sigma_{p i}^2\right)\right\} \delta\left(v_{p i}=1, \quad v_{p i}^{\prime}=1\right)}{\Sigma_i \delta\left(v_{p i}=1\right)} OKSp​=Σi​δ(vpi​
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
Le0v1n 的博客
05-08 4999
1. 目标检测模型性能衡量指标；2. MS COCO数据集的评价标准；3. 不同指标的选择推荐
人脸实战之关键点检测
bianlongpeng的博客
01-08 2484
这篇应用是我的同事做的一些工作，感谢@张翼翔 一、人脸关键点检测的目标 人脸关键点检测目标就是自动定位人脸关键区域，之后对人脸进行对齐校正，本质属于人脸识别前的预处理过程 二、人脸关键点检测的应用 美颜/美妆 换脸 表情识别 三、落地方案 3.1 reference PFLD:A Practical Facial Landmark Detector 3.2 关键点面临的挑战 遮挡，姿态 分辨率，亮度 表情变化 精度与模型大小 数据不平衡 PFLD是一个多任务的模型同时解决了角度检测和关键点定位，在
pytorch关键点检测
09-07
PyTorch关键点检测是使用PyTorch框架进行关键点检测任务的一种方法。在关键点检测任务中，我们的目标是识别和定位图像中的特定关键点，例如人脸的眼睛、鼻子、嘴巴等部位。关键点检测在计算机视觉领域有广泛的应用，例如人脸识别、姿态估计等。 使用PyTorch进行关键点检测的过程通常包括以下几个步骤： 1. 数据准备：收集和标注包含关键点的图像数据集。关键点可以是一些特定位置的像素坐标，这些坐标对应于图像中的感兴趣部位。 2. 模型设计：使用PyTorch构建一个适用于关键点检测的深度学习模型。可以使用卷积神经网络（CNN）或其他适用的模型结构，以提取图像中的特征并预测关键点的位置。 3. 模型训练：使用标注好的数据集对模型进行训练。在训练过程中，通过最小化预测关键点和实际关键点之间的差异，来优化模型的参数。 4. 模型评估：使用评估指标（如均方误差或平均准确率）来评估模型的性能。可以使用预定义的系数数组（kpt_oks_sigmas）来评估预测关键点与真实关键点的匹配程度。 5. 模型应用：使用训练好的模型对新的图像进行关键点检测。可以使用预测结果来提取有关关键点的信息，如位置、姿态等。 需要注意的是，以上步骤是一个基本的框架，具体的实现方法会因任务需求、数据集特点和模型选择而有所不同。可以参考引用中的链接，了解更详细的关键点检测模型训练方法。 提供了关于关键点检测数据集中关键点可见性的信息。 是一篇关于使用PyTorch训练自定义关键点检测模型的中文博客。 是一个使用Python脚本进行图像关键点检测的示例。 提供了关于使用pycocotools评估预测关键点与真实关键点匹配程度的说明。<span class="em">1</span><span class="em">2</span><span class="em">3</span><span class="em">4</span>
评论 2
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