mAP与coco的评价指标

目标检测常用的两个数据集:
PASCAL VOC 与 MS COCO数据集

mAP:mean Average Precision, 即各类别AP的平均值
‘预测得到的是:bounding box; 人工标注的是:ground Truth box(GT box)
IoU指的是预测的bounding box与人工标注的GT box的交并比
TP(True Positive):IoU>0.5的检测框数量
FP(False Positive):IoU<=0.5的检测框数量(或者检测到同一个GT的多于检测框的数量)
FN(False Negative):没有检测到的GT的数量

Precision:TP/(TP+FP)(查准率)
Recall:TP/(TP+FN)(查全率)
AP:P-R曲线下的面积
P-R曲线:Precision-Recall曲线
mAP:mean Average Precision, 即各类别AP的平均值(一个类别,有一个AP)

针对confidence取不同的阈值,得到的precision与recall的值,例如:
在这里插入图片描述
当confidence的阈值设置为0.98:TP=1,FP=0,FN=6
Precision=1.0,Recall=0.14
当confidence的阈值设置为0.89:TP=2,FP=0,FN=5
Precision=1.0,Recall=0.28
当confidence的阈值设置为0.88:TP=3,FP=0,FN=4
Precision=1.0,Recall=0.42
再画出P-R曲线
在这里插入图片描述
在这里插入图片描述
AP表示:在IoU=0.5:0.05:0.95有10个IoU值,每个IoU值下的得到一个mAP,再求平均,实际上是mAP(COCO数据集中最主要的评价指标)
第二个AP(IoU=0.5),是PSACAL VOC所提供的评价指标
在这里插入图片描述
第一行是COCO的评价指标
第二行是PASCAL VOC的评价指标
第四行是关注小目标的情况
第八第九行对比看,是为了看目标数的大致情况

以上内容均是根据https://www.bilibili.com/video/BV1ez4y1X7g2做的笔记

  • 3
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Yolact是一种基于Mask-RCNN框架的目标检测模型,具有实时分割的能力。COCO评价指标是用来衡量目标检测和分割模型性能的指标之一,常用于比较和评估不同模型的表现。 在Yolact代码中,计算COCO评价指标的主要步骤如下: 1. 首先,需要加载训练好的Yolact模型并设置好相应的参数,包括类别数量、阈值等。 2. 接下来,需要准备COCO数据集的标注文件和预测结果文件。标注文件包含每个图像中的目标类别和边界框信息,预测结果文件则包括模型对图像的预测结果,包括类别、边界框和分割掩码等。 3. 使用COCOAPI工具包中的函数,可以将标注文件和预测结果文件转换成COCO数据结构。这样就可以方便地使用COCO评价指标进行计算。 4. 在计算评价指标之前,通常会对预测结果进行后处理,以去除一些低置信度或重叠度较大的检测框。常见的后处理方法包括非极大值抑制(NMS)和置信度阈值等。 5. 最后,使用COCOAPI提供的函数,可以根据标注文件和预测结果文件计算一系列COCO评价指标,包括检测精度(AP)、平均精度(mAP)和平均交并比(mIoU)等。 总之,Yolact代码计算COCO评价指标的过程包括准备数据、后处理和调用COCOAPI函数进行计算。通过评价指标的计算,可以了解Yolact模型在目标检测和分割任务上的表现,并与其他模型进行比较和评估。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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