目标检测评估方法学习及AP大于1情况的探索

最新推荐文章于 2023-02-09 20:32:34 发布
最新推荐文章于 2023-02-09 20:32:34 发布
阅读量2.8k 收藏 4
点赞数 6
分类专栏： 深度学习知识
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/qq_33270279/article/details/102832135
版权

目标检测AP值大于1的原因

最近在训练pytorch-yolov3模型模型的过程中，模型评估时，某些类别的AP值会大于1，根据自己的常识，一直认为计算AP的方法存在问题，但是并不是。原因请往下看。

计算AP的方法：

详情请参考：https://blog.csdn.net/qq_35916487/article/details/89076570

预备知识

IOU：两个目标框的交并比
在这里插入图片描述
目标框定义：

True Positive (TP):一个正确的定位结果，就是你预测的框和我们的groudtruth之间的IOU是可以大于我们规定的阈值的，我们一般取这个阈值都是0.5

False Positive (FP):就是一个错误的结果，就是你预测的这个框和groundtruth的IOU是小于阈值的

False Negative (FN): 就是我们本来这里有一个物体的，所以我们这个地方应该有个框，但是你没预测出来，那么这个groundtruth对于你的模型来讲就是一个FN

True Negative (TN):这个就是我们这个groundtruth找到了一个和它的IOU大于阈值的预测框，那么对于这个ground就是认为被成功的检测出来了。

Precision和Recall

最低0.47元/天 解锁文章
小楞
关注
  • 6
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
基于深度学习的遥感图像目标检测方法.pdf
06-15
基于深度学习的遥感图像目标检测方法 基于深度学习的遥感图像目标检测方法是当前遥感影像分析领域中一个基本但具有挑战性的问题。传统的遥感影像目标识别主要是基于人工提取特征的方法，但遥感图像中丰富多样的细节...
通俗地讲解目标检测中AP指标
qq_19313495的博客
03-20 2万+
声明：以下内容全是我的个人见解，如有问题，欢迎指正！
机器学习性能评估指标（精确率、召回率、ROC、AUC）
热门推荐
JL25的专栏
08-08 4万+
转自：http://charlesx.top/2016/03/Model-Performance/ 实际上非常简单，精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是对的。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)。 而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是
机器学习中的查准率（Precision）、查全率（Recall）、F1 度量
sdnuwjw的博客
05-22 2443
最近看论文实验时忘记了 “Recall” 这个评价指标是干什么用的，所有简单地回顾一下，用最简单方法加深一下记忆 首先得先回顾一下分类结果的混淆矩阵，忘记的朋友可以参考我这篇：分类结果的混淆矩阵 查准率（Precision）：P=TPTP+FPP=\frac{TP}{TP+FP}P=TP+FPTP​，【正确的分类样本中的正例个数】与 【所有预测为正例的样本个数】之比，分子好理解，但是分母容易与查...
准确理解 Precision 准确率, Recall 召回率 , IoU
脑机接口社区
07-05 3093
目录Precision和RecallIOU Precision和Recall 下面是几个常见的模型评价术语，假设我们的分类目标只有两类，计为正例（positive）和负例（negtive）扥别是： True positives（TP）：被正确的划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数） False positives（FP）：被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数 False negatives（FN）：被错误地划分为负例的个数，即实际为正例但被分类
准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线
u010786876的博客
02-26 1110
True Positive(真正，TP)：将正类预测为正类数 True Negative(真负，TN)：将负类预测为负类数 False Positive(假正，FP)：将负类预测为正类数误报 (Type I error) False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error) 1、准确率（Accuracy） 准确率(accuracy)计算公式为： ...
基于深度学习的遥感图像目标检测方法.docx
06-15
遥感图像目标检测方法常用的评价指标包括精确率（Precision）、召回率（Recall）、平均精度（AP）、F1-score 等。上式中，TP（真正，True Positive）表示被模型预测为正的正样本数量；FP（假正，False Positive）...
综述基于深度学习的目标检测(一)1
08-03
目标检测是计算机视觉中的核心任务之一，它旨在识别图像中的多个对象并精确地标记它们的位置。与图像分类相比，目标检测不仅需要确定图像的类别，还要确定每个对象的精确边界框。实例分割则更进一步，不仅区分不同...
目标检测方法总结1
08-03
目标检测方法总结1 目标检测是计算机视觉领域中一个基础的任务，它的目的是要从图像中检测和定位特定的目标对象。目标检测方法可以分为两大类：two-stage 方法和 one-stage 方法。本文将对目标检测的基本概念、评估...
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
mAP-master.zip文件中的内容很可能是针对目标检测算法评估的工具或代码库，特别是针对NPC（Non-Player Character，非玩家角色）这类特定对象的检测。 **平均精度（Average Precision, AP）**是评价单一类别检测效果...
机器学习中的评价指标——Precision、 Recall 、AP and F1 score
不积跬步无以至千里的博客
08-05 6944
Accuracy、ErrorRate、Presion、Recall、AP、mAP、F1 score、F1 MACRO的理解 Accuracy（精度）和Error Rate（错误率） 是分类模型中最常见的两种性能度量指标，既适用于二分类任务，也适用于多分类任务。 对于分类模型 f 和大小为 n测试集 D，Accuracy的定义为： Accuracy(f;D)=1n∑i=1n(f(xi)=labeli) Accuracy(f;D)=\frac{1}{n}\sum_{i=1}^n(f(x_i)=label_i)
机器学习分类模型评价指标之Accuracy、Precision、Recall、F-Score、P-R Curve、AUC、AP 和 mAP
博观约取，厚积薄发
11-21 6151
本文旨在说明其他机器学习模型的评价指标。
评估-----评估算法的指标
writ的博客
01-18 600
评估算法的指标
Day3-使用pytorch框架语义分割IOU指标
最新发布
Butch3r的博客
02-09 565
在Semantic segmentation中，计算真实值和预测值的交并比来判断预测水平。IOU 取值为 0 ～ 1 之间的值时，代表了两个框的重叠程度，数值越高，重叠程度越高。IOU 为 0 时，两个框不重叠，没有交集。IOU 为 1 时，两个框完全重叠。IOU 衡量两个集合的重叠程度。张量除法用true_divide。
指标解读：precision和recall
跨过一座座山
12-03 1657
二分类时，两指标比较常用 正样本（l=1）的指标如下 precision=(l=1,p=1)/(p=1) recall=(l=1,p=1)/(l=1) 其中precision表示label=1且pre=1的样本/pre=1的样本，precision越高，代表训练越关注负样本。 recall表示label=1且pre=1的样本/label=1的样本，recall越高，代表训练时越关注正样本。 pre...
目标检测性能评价指标
qq_43043457的博客
07-13 3048
目标检测常用评判指标深度学习下的目标检测性能评价指标简介（mAP、IOU..）TP、FP、FN、TNprecision: 准确率,recall: 召回率,F1-score准确率（Precison）、召回率（recall）F1-scoreAP、mAP、IOUAPmAPIOU（交并比） 深度学习下的目标检测性能评价指标简介（mAP、IOU…） 在小伙伴们儿在接触到目标检测算法之后，往往需要一个公共的评价指标，但是这些mAP、IOU、召回率…具体是代表着什么含义呢？本文就带领各位，对这些评价指标进行深入的了解。
Recall, Precision, and Average Precision
三少GG
11-27 1万+
信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC 分类： 1.自然语言处理/机器学习 在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。 准确率、召回率、F1 信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precisio

“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 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