检测中的precision，recall，AP，mAP

最新推荐文章于 2024-04-14 17:24:27 发布
最新推荐文章于 2024-04-14 17:24:27 发布
阅读量1k 收藏 3
点赞数
分类专栏： 目标检测 文章标签： python pytorch 深度学习
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/m0_37400316/article/details/120217365
版权

首先得了解基本分类

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
PR曲线

我们当然希望检测的结果P越高越好，R也越高越好，但事实上这两者在某些情况下是矛盾的。比如极端情况下，我们只检测出了一个结果，且是准确的，那么Precision就是100%，但是Recall就很低；而如果我们把所有结果都返回，那么必然Recall必然很大，但是Precision很低。

因此在不同的场合中需要自己判断希望P比较高还是R比较高。如果是做实验研究，可以绘制Precision-Recall曲线来帮助分析。

这里我们举一个简单的例子，假设我们的数据集中共有五个待检测的物体，我们的模型给出了10个候选框，我们按照模型给出的置信度由高到低对候选框进行排序。

在这里插入图片描述
表格第二列表示该候选框是否预测正确（即是否存在某个待检测的物体与该候选框的iou值大于0.5）第三列和第四列表示以该行所在候选框置信度为阈值时，Precision和Recall的值。我们以表格的第三行为例进行计算：
在这里插入图片描述

由上表以Recall值为横轴，Precision值为纵轴，我们就可以得到PR曲线。我们会发现，Precision与Recall的值呈现负相关，在局部区域会上下波动。

PR曲线

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

CV/NLP大虾
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
2023秋招 比亚迪 感知算法方向 算法工程师 base深圳 面经分享
02-13 811
比亚迪 感知算法方向 算法工程师 base深圳 面经分享
EvaluationMetrics:标准信息检索评估指标实施 - Recall、Precision 和 MAP
06-22
本篇文章将深入探讨三个主要的评估指标：召回率(Recall)、精确率(Precision)和平均精度均值(Mean Average Precision, MAP)，这些都是在Java环境下实现的标准信息检索评估工具。 1. **召回率(Recall)**: 召回率是...
目标检测Precision/Recall curve中AP曲线为什么呈现下降趋势
最新发布
今非昔比zhi的博客
04-14 871
在学习时发现在Precision/Recall Curve中,，AP是不断下降的。
2022 深度学习 & 计算机视觉 & 感知算法 面经整理 八（62 63 64 65 67 68 69 70）
爱学习的大叔的博客
03-10 441
文章目录62 LSTM和GRU有何不同63 CRF 的损失函数是什么，具体怎么算？64 Transformer原理介绍65 BERT介绍下原理66 sigmoid缺点67 Layer Normalization 和 Batch Normalization 的区别68 怎么处理数据不平衡69 什么是梯度消失和梯度爆炸？70 决策树有多少种，分别的损失函数是什么？ 62 LSTM和GRU有何不同 63 CRF 的损失函数是什么，具体怎么算？ 64 Transformer原理介绍 65 BERT介绍
2022 深度学习 & 计算机视觉 & 感知算法 面经整理 六（41 42 43 44 45 46 47 48 49 50）
爱学习的大叔的博客
03-10 770
文章目录41 不平衡数据是否会影响神经网络的分类效果？41 无监督降维提供的是帮助还是摧毁？42 是否可以将任何非线性作为激活函数?43 批大小如何影响测试正确率？44 初始化如何影响训练?45 不同层的权重是否以不同的速度收敛？46 正则化如何影响权重？47 多标签loss48 多标签分类的准确率49 数据类不平衡50 欠拟合和过拟合 41 不平衡数据是否会影响神经网络的分类效果？ 当数据集不平衡时（如一个类的样本比另一个类还多），那么神经网络可能就无法学会如何区分这些类。在这个实验中，我们探讨这一情况是
2022 深度学习 & 计算机视觉 & 感知算法 面经整理 九（71 72 73 74 75 76 77 78 79 80）
爱学习的大叔的博客
03-10 1025
文章目录71 请介绍 k-mean 算法的原理72 逻辑回归怎么分类非线性数据？73 请介绍几种常用的参数更新方法。74 Xgboost、lightGBM 和 Catboost 之间的异同？75 讲讲 dropout 原理76 怎么解决过拟合？怎么做图像增广？77 Sigmoid 有哪些特性？激活函数了解多少？78 lr 为什么要用极大似然 ？79 讲一下 lgb 的直方图是怎么用的 ？80 集成学习 boosting 和 bagging 的概念 71 请介绍 k-mean 算法的原理 72 逻辑回归怎么
2022 深度学习 & 计算机视觉 & 感知算法 面经整理 二十五（241 242 243 244 245 246 247 248 249 250）
爱学习的大叔的博客
08-21 990
2022 深度学习 & 计算机视觉 & 感知算法 面经整理 二十五（241 242 243 244 245 246 247 248 249 250）
mAP-master.zip_mapmaster npc大小_目标检测_目标检测方法的MAp测试_目标检测评价_评估
09-22
**目标检测评价**不仅包含mAP，还包括其他指标，如Precision-Recall曲线、F1分数、漏检率（False Negative Rate）、误报率（False Positive Rate）等。这些指标可以帮助我们全面了解算法的性能，并为算法优化提供...
recall_precision.zip_图形图像处理_matlab_
08-11
在图像检测中，一个目标可能被多次检测到，也可能没有被检测到，因此，通常会使用平均查准率（Average Precision, AP）或平均查全率（Mean Average Precision, mAP）来综合评估算法的性能。AP是对于不同召回率下的查...
目标检测方法总结1
08-03
目标检测的评估 metrics 包括精度（Precision）、召回率（Recall）、平均精度（AP）、平均平均精度（mAP）、交并比（IoU）和帧率（FPS）。当一幅图像中存在多个不同类别的目标对象时，精度和召回率将分别计算每个...
结合HOG和SVM的目标检测方法1
08-08
结合HOG和SVM的目标检测方法 本文总结了结合HOG和SVM的目标检测...2. 测试阶段的mAP计算：iou阈值≥0.5为TP，iou为FP，计算Precision、Recall和AP值。 该方法结合HOG和SVM实现了目标检测任务，取得了较好的检测结果。
2022 深度学习 & 计算机视觉 & 感知算法 面经整理 七（51 52 53 54 55 56 57 58 59 60 61）
爱学习的大叔的博客
03-10 704
文章目录51 Resnet和Transformer的模型结构ResnetTransformer52 CNN和RNN优缺点53 介绍LSTM54 讲下Self-Attention55 常见激活函数和特点56 Layer norm和Batch norm的区别57 卷积的本质58 概率的知识点59 Sigmoid 、MSELoss 及 CELoss 的来源60 讲一下目标检测 OneStage、 TwoStage 以及 YOLOv161 写一下 Softmax CrossEntropy 的反向传播推导过程 51
2022 深度学习 & 计算机视觉 & 感知算法 面经整理 十（81 82 83 84 85 86 87 88 89 90 91 92）
爱学习的大叔的博客
03-10 1104
文章目录81 讲一下 xgb 与 lgb 的特点与区别82 讲一下 xgb 的二阶泰勒展开对于 GBDT 有什么优势83 介绍 xgboost 和 gbdt 的区别84 adaboost 和随机森林有什么区别85 LBP 特征和 SIFT 的特征的意义86 颜色校正、白平衡的过程87 HOG 特征的意义88 GBDT 原理89 ROC 含义、AUC 含义90 XGB 原理，正则化操作 81 讲一下 xgb 与 lgb 的特点与区别 82 讲一下 xgb 的二阶泰勒展开对于 GBDT 有什么优势 83 介
重新理解precision和recall
ryansday的博客
10-12 126
TP True Positive 是把正例正确判定为正例 TN True Negative 是把负例正确判定为负例 FN False Negative 是把正例错误判定为负例 FP False Postive 是把负例错误判定为正例 理解 理解上来讲，T和F分别表示判断对了、判断错了；P和N分别表示预测的是正例和负例。 连起来讲，TP就是判断对了正例，即把正例预测为了正例； TN是判断对了负例，即把负例预测为了负例； FP是判断错了正例，即把负例预测为了正例； FN是判断错了负例，即把正例当成负例。 总结
precision recall accuracy F1 说明
未来战警
11-16 714
最近有些同学 问我一些 关于 precision recall 和 accuracy的问题，我觉得有必要在此处解释一下， 以上图what-if中的混淆矩阵为例，矩阵第一行分别是tp,fn 第二行分别是fp,tn precision=tp/(tp+fp) recall=tp/(tp+fn) accuracy=(tp+tn)/all precision和recall两个是负相关性，即preci...
目标检测评估指标mAP：从Precision,Recall,到AP50-95【未完待续】
热门推荐
专注“目标检测”领域技术分享
09-08 1万+
本文从True Positive, False Positive和False Negative的定义出发，讲解了Precision和Recall的定义，如何绘制P-R(Precision Recall)曲线，如何进一步计算得出AP。本文提供了手动计算所有指标的过程以及用sklearn计算这些指标的代码以及P-R curve的示意图。通过阅读本文你可以从源头开始了解mAP这一指标是如何计算的。
机器学习分类器评价指标详解（Precision, Recall, PR, ROC, AUC等）（一）
JingpengSun的博客
02-17 4475
机器学习分类器评价指标详解
自动驾驶感知算法面经（20+公司）
CV_Autobot的博客
10-05 1659
作者| 李逍遥 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/656952371点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【求职交流】技术交流群本文只做学术分享，如有侵权，联系删文本人2022年4月和2023年7月两次跳槽找工作，面经总结在这里，希望可以帮到需要的朋友。项目相关的问题主要和经历有关，参考性不大。...
Towards Accurate One-Stage Object Detection with AP-Loss
weixin_43489950的博客
07-05 1073
...
计算 recall map ap
07-27
Recall、mAP 和 AP 都是用于评估目标检测模型性能的指标。 Recall（召回率）是指在所有正样本中，模型成功检测到的比例。Recall 的计算公式为： Recall = 检测到的正样本数 / 所有正样本数 mAP（mean Average Precision）是指所有类别的 Average Precision 的平均值。AP（Average Precision）是指在不同 Recall 水平下的精确度（Precision）的平均值。AP 的计算过程一般包括以下几个步骤： 1. 对于每个类别，根据模型对目标的置信度进行排序。 2. 计算每个置信度阈值下的 Precision 和 Recall。 3. 根据 Precision-Recall 曲线下的面积计算 AP。 因此，计算 recall map ap 需要先进行目标检测模型的预测结果和真实标签的匹配，然后计算 Precision、Recall 和 AP。具体计算方法会根据实际情况而异，通常需要使用特定的目标检测工具或库来完成。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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