目标检测中常见评估参数

最新推荐文章于 2024-05-07 08:43:01 发布
最新推荐文章于 2024-05-07 08:43:01 发布
阅读量760 收藏 1
点赞数
分类专栏： base 文章标签： 计算机视觉 图像识别 人工智能 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/qq_40639828/article/details/117932918
版权

转自【目标检测】VOC mAP - 李兰青的文章 - 知乎 https://zhuanlan.zhihu.com/p/67279824

1 概念梳理

1.1 IOU

Intersection Over Union (IOU)，又称交并比，用来衡量两个box重叠的程度。对于1个真实bbox​和1个预测的bbox ​, 它们的iou计算如下：

从图形上来看，可以表示为下图。

1.2 TP、FP、FN、TN

  • True Positive (TP): IOU>=阈值的检测框
  • False Positive (FP): IOU<阈值的检测框
  • False Negative (FN): 未被检测到的GT
  • True Negative (TN): 忽略不计

注：阈值通常取0.5

1.3 Precision、Recall

precision指预测为1的样本有多少是对的

recall指本来是1的样本有多少预测对了

1.4 PR Curve

PR曲线用途：当confidence阈值改变时，衡量模型的performance

好模型的标志：PR曲线鼓大（靠近右上方）,见下图示例，recall变大时precision下降小，意味着模型不需要通过预测更多的BBOX来检测出GT。对于好的模型，当confidence阈值改变，precision和recall都保持在较高水平

1.5 Average Precision

AP：PR曲线下面积的近似，是一个0~1之间的数值，也可用来衡量模型的performance

AP VS PR曲线：

  • PR曲线比较直观，但由于曲线的上下震荡，不方便比较不同模型的PR曲线
  • AP是一个数字，模型的AP大，则模型更好，方便比较不同模型

对于AP的计算，VOC采用过两种不同方法, 详见The PASCAL Visual Object Classes Challenge 2010 (VOC2010) Development Kit

1.5.1 11点插值法

VOC2010以前，选取当Recall >= 0, 0.1, 0.2, ..., 1共11个点时的Precision最大值，AP是这11个Precision的平均值，此时只由11个点去近似PR曲线下面积。

  ​是recall =   ​时的precision

1.5.2 所有点插值法

VOC2010及以后，需要针对每一个不同的Recall值（包括0和1），选取其大于等于这些Recall值时的Precision最大值，然后计算PR曲线下面积作为AP值：

  ​是recall =   ​时的precision

由于此方法用了所有点去近似PR曲线下面积，计算的AP比11点插值法更准确。

2 AP计算示例

对某一类，共7张图片，15个GT（绿色框），24个预测BBOX（红色框），见下图，图中百分比为预测边框属于该类别的置信度。

2.1 TP、FP判定

  • 对于每个BBOX，如果它与图片内某GT的IOU>0.3, 则该BBOX为TP，否则为FP
  • 一个GT只能对应一个TP，如果一个GT对应了多个满足IOU阈值的BBOX，我们仅选取置信度最高的BBOX作为该GT的TP

2.2 recall & precision计算

利用confidence给BBOX排序，对每个BBOX都计算对应的precision和recall值，例如：

  • 对BBOX R，precision = 1/1 = 1，recall = 1/15=0.0666
  • 对BBOX Y，precision = 1/2 = 0.5，recall = 1/15=0.0666
  • 对BBOX J，precision = 2/3 = 0.6666，recall = 2/15=0.1333

2.3 AP计算

2.3.1 11点插值法

2.3.2 所有点插值法

将上表中24个BBOX对应的24个precision和recall画呈散点图并连线就是PR曲线，见下图左。垂线的recall无变化，斜线都recall有变化，找到recall变化的位置区间，每个recall区间对应的precision是>=该recall区间上限时对应的最大precision，见下图右。

AP是通过计算recall变化位置对应的矩形面积和来近似PR曲线的下面积。因此，AP=A1+A2+A3+A4。注：A3中包含了多个recall变化区间，但其对应的precision的最大值都是0.4285，因此将多个区间的矩形块合并成了一个矩形块A3

3 reference

zihan_2024
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
用于目标检测的遥感图像数据集
05-07
在IT领域，目标检测是一项关键的技术，特别是在遥感图像分析中。遥感图像数据集是进行这类任务的基础，它提供大量的图像以及相应的标注信息，帮助机器学习算法学习和理解目标的特征，进而实现准确的定位和识别。在这...
目标检测+水域安防目标检测数据集
03-21
目标检测是计算机视觉领域中的一个核心任务，它旨在在图像或视频中识别并定位出特定的物体。在水域安防领域，目标检测尤为重要，因为它可以帮助监控系统自动识别水中可能的威胁，如非法捕鱼、水上事故或者潜在的危险...
评价目标检测的参数
weixin_42825527的博客
09-22 108
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
目标检测参数的一些理解
科学楼守夜者的博客
09-14 1139
作者：知乎用户 链接：https://www.zhihu.com/question/53405779/answer/419532990 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 mAP定义及相关概念 1 mAP: mean Average Precision, 即各类别AP的平均值 2 AP: PR曲线下面积，后文会详细讲解 3 PR曲线: Precisio...
目标检测常用评价指标详解
最新发布
张小殊的博客
05-07 2346
目标检测是计算机视觉领域中的一项重要任务，旨在从图像或视频中检测并定位图像中存在的目标物体，并识别它们属于哪个类别。而目标检测任务中的评价指标对于评估算法性能、比较不同方法以及指导模型优化具有重要性，因此本文对目标检测任务中的相关评价指标进行介绍。
目标检测之SSD：数据增强参数详解
BigCowPeking
04-10 4764
数据增强效果图假设原图输入是一张640*480的图片，这里由于版面问题我放缩了图片尺寸并且没做mean subtract，由于最后会有resize参数导致输出的图片都会resize到300x300，但是主要看的是增强的效果，SSD中的数据增强的顺序是：DistortImage: 这个主要是修改图片的brightness，contrast，saturation，hue，reordering chan...
目标检测模型的几个指标
qq_52832321的博客
03-08 3182
F1得分是一个综合了精确率（precision）和召回率（recall）的指标，其计算公式是2 * (精确率 * 召回率) / (精确率 + 召回率)，值范围在0~1之间，取值越大则模型性能越好。精确率（Precision）: Precision 是正确预测为正的样本（TP）占预测为正的总样本（TP+FP）的比例。召回率（Recall）: Recall 是正确预测为正的样本（TP）占实际为正的总样本（TP+FN）的比例。也就是，这些样本是正类，模型预测为正类。也就是，这些样本是负类，模型预测为负类。
理解目标检测的衡量指标mAP
qq_37199669的博客
09-22 589
文章目录一、IOU二、TP、TN、FP、FN三、precision and recall四、AP 一、IOU 计算anchor box与true box的交集/并集。得到该anchor box的置信度。如果人为设定一个阈值c，那么置信度大于等于c的是positive box，否则为nagative box。 二、TP、TN、FP、FN T代表True，F代表false，P代表positive，N代表nagative TP：检测器认为这是positive box且检测结果是正确的 TN：检测器认为这是naga
目标检测宝宝吐奶数据集
04-03
在目标检测中，常见的算法有经典的方法如滑动窗口、级联分类器（如AdaBoost）以及近年来流行的深度学习方法，如R-CNN系列（Region-based CNN）、YOLO（You Only Look Once）和Faster R-CNN。这些模型利用卷积神经...
目标检测口罩识别训练集
06-26
常见的目标检测算法包括Faster R-CNN、YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）等。在这个训练集中，我们提到了两种格式：PASCAL格式和YOLO格式，它们都是用于标注目标检测数据的方式。 ...
螺栓目标检测数据集voc格式
04-06
总结，螺栓目标检测数据集voc格式为研究者和开发者提供了一套完整的训练资源，通过学习和利用这套数据，可以开发出在工业环境中具有实用价值的目标检测算法，进一步推动智能制造和自动化技术的发展。
机器学习性能度量指标（precision、recall、PR曲线、F1、ROC、AUC、IOU、mAP）
xhj_enen的博客
03-18 1万+
1、precision、recall、PR curve、F1 在信息检索等任务中，我们经常会关心“检索出的信息中有多少比例是用户感兴趣的”以及“用户感兴趣的信息中有多少被检索出来了”。precision（查准率）与recall（查全率）就是此类需求的性能度量指标。 对于一个二分类问题，我们可以根据模型的分类结果将其分为四类：TP、FP、TN、FN 则查准率与查全率的定义分别为： precisio...
计算bbox的mAP的代码
mengjiexu_cn的博客
10-09 2024
import numpy as np from sklearn.utils.linear_assignment_ import linear_assignment def iou(bb_test, bb_gt): ''' Computes IOU between two bboxes in the form [x1,y1,x2,y2] Parameters: ...
Matplotlib 中文用户指南 4.5 标注
热门推荐
龙哥盟
01-30 4万+
标注 原文：Annotation 译者：飞龙 协议：CC BY-NC-SA 4.0 基本标注使用text()会将文本放置在轴域的任意位置。 文本的一个常见用例是标注绘图的某些特征，而annotate()方法提供辅助函数，使标注变得容易。 在标注中，有两个要考虑的点：由参数xy表示的标注位置和xytext的文本位置。 这两个参数都是(x, y)元组。import numpy a
python绘制bbox
yunxinan的专栏
01-04 6640
参考博客：https://blog.csdn.net/pursuit_zhangyu/article/details/80410939 代码如下： from PIL import Image,ImageDraw image_path = 'C:/Users/Administrator/Desktop/123.jpg' image = Image.open(image_path) #创建一个可以在...
目标检测性能指标
一行一生
08-13 1124
交并比：
召回率和精确率（recall and precision）
Rookie1012的博客
03-02 2654
#记性不好写博客以记之 召回率（recall） 公式：Recall = TP /TP+FN 定义：所有的正样本中，我们识别出来的比例。召回率又叫查全率、击中的概率。 精准率（precision） 公式：Precision = TP /TP+FP 定义：所有识别成正样本中，有多少是真正的正样本。精准率又叫查准率、误杀率。 #关于TP、TN、FP、FN中的T、F（True、False）意为样本预测正确...
[深度学习][原创]如何不用yolov5权重或者模型进行目标检测和绘制map等参数图
FL1623863129的博客
06-22 3739
当你看到这个博客时候，你第一反应肯定是扯犊子，没有模型也能目标检测？是的你没听错，我可以不用权重进行仿真目标检测结果，包括图片，视频以及参数曲线生成。先来看我生成参数图可以看出和真的训练参数几乎没有任何区别，而且仿真模拟参数都是可以通过代码控制，比如想把map设置到0.8，loss从0.1开始往下降，epoches改成500等等，都是可以完成。此外我已经实现了图片批量标注绘制到图片和yolov5真实检测结果一模一样，甚至还可以将置信度设置为固定值！其实只要知道yolov5绘制原理可以轻松实现高度模拟检测结果
目标检测算法模型性能参数对比分析
04-04
以下是几种常见的目标检测算法模型性能参数对比分析： 1. Faster R-CNN和YOLOv3：Faster R-CNN具有更高的精度和召回率，但速度较慢，而YOLOv3速度更快，但精度和召回率稍低。 2. SSD和YOLOv4：SSD的精度和召回率较...

“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 1
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