目标检测中的评价指标知识点总结：IOU交叉重叠单元、map/AP/TP/FP/NP的归纳

最新推荐文章于 2024-09-17 09:42:33 发布
最新推荐文章于 2024-09-17 09:42:33 发布
阅读量3.2k 收藏 2
点赞数
分类专栏： PYTHON 文章标签： 目标检测 深度学习 人工智能
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_45756171/article/details/122744194
版权
本文总结了目标检测任务中的评价指标，包括IoU、TP/FP/NP、精度和召回率，以及AP和mAP的概念。通过查准率和查全率的分析，阐述了如何综合评估模型性能。
摘要由CSDN通过智能技术生成

在目标检测任务中，我们时常会让模型一次性生成大量的候选框（candidate bound），然后再根据每一个框的置信度对框进行排序，进而依次计算框与框之间的IoU，以非极大值抑制的方式，来判断到底哪一个是我们真正要找的物体，哪几个又该删除。例如在做人脸检测时，模型输出的可能是左图，而最终我们得到的是右图。
在这里插入图片描述

代码实现

import numpy as np
# box:[上, 左, 下, 右]
box1 = [0,0,8,6]
box2 = [2,3,10,9]

def IoU(box1, box2):
    # 计算中间矩形的宽高
    in_h = min(box1[2], box2[2]) - max(box1[0], box2[0])
    in_w = min(box1[3], box2[3]) - max(box1[1], box2[1])

    # 计算交集、并集面积
    inter = 0 if in_h < 0 or in_w < 0 else in_h * in_w
    union = (box1[2] - box1[0]) * (box1[3] - box1[1]) + \
            (box2[2] - box2[0]) * (box2[
最低0.47元/天 解锁文章
Life is a joke
关注
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 5786
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。
目标检测中mAP计算以及源码解析
oreo的博客
12-25 2993
目标检测中mAP的计算很基础、很重要，当然经常被别人忽略。这位博主对mAP的分析也非常详细了，但是缺少对整个mAP代码的分析，我斗胆在这里简单分析一下目标检测中mAP的代码。本文的主要代码源自于这个github源码。 1. mAP的理论知识 1.1 交并比（Intersection Over Union, IoU） 交并比使用来衡量两个边界框的重叠程度。公式需要标注边界框和预测边界框，它可以用来判断当前检测的边界框是否有效。具体而言，当与之间的交并比大于交并比阈值的时候，我们将该次的预测边界框视为Tr
目标检测：tp与fp理解
weixin_41041772的博客
12-29 4966
介绍 在目标检测中，通常采用mAP指标来表达检测模型的性能表现，而mAP指标的计算具体包含几个步骤，其中重要的一步就是TP（真正，即命中）与TP（假正）的计算，具体根据mmdetection中的评估代码mean_ap.py进行分析。 def tpfp_func(det_bboxes,gt_bboxes,iou_thr=0.5): """Check if detected bboxes are true positive or false positive. Args:
深入浅出之重叠度（IOU）
最新发布
浩瀚之水的专栏
09-17 1225
IoU定义为两个边界框的重叠面积与它们并集面积的比例，即：其中，重叠面积（Area of Overlap）是两个边界框相交部分的面积，并集面积（Area of Union）则是两个边界框合并后的总面积。物体检测需要定位出物体的bounding box，就像下面的图片一样，我们不仅要定位出车辆的我们还要识别出bounding box 里面的物体就是车辆。对于bounding box的定位精度，有一个很重要的概念： 因为我们算法不可能百分百跟人工标注的数据完全匹配，因此就存在一个定位精度评价公式：IOU。
目标检测学习笔记——IOU的作用
phily123的博客
11-07 3142
一、训练时： 通过iou阈值来确认bbox是正负样本，大于某个阈值的认识是正样本，小于某个阈值的认为是负样本，两个阈值中间的抛弃，因为负样本很多，所以通常选取较小的阈值来确定负样本。 二、评估时： 1、计算MAP MAP是所有类别AP的均值，AP由精确率和召回率确定，而IoU 阈值、confidence 阈值影响 precision 和 recall 的计算。 为了计算 precision、recall，我们不得不去判定 True Positives (TP)、False Positives (FP)、Tr
每日记录 8.28 TP（真阳率） NP（假阳率） FP
lgyuWT的博客
08-28 1101
参考链接：https://blog.csdn.net/u011534057/article/details/51733244 https://blog.csdn.net/sinat_28576553/article/details/83448724?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_s...
【深度学习】常用的模型评估指标
weixin_33951761的博客
02-24 1169
“没有测量，就没有科学。”这是科学家门捷列夫的名言。在计算机科学中，特别是在机器学习的领域，对模型的测量和评估同样至关重要。只有选择与问题相匹配的评估方法，我们才能够快速的发现在模型选择和训练过程中可能出现的问题，迭代地对模型进行优化。本文将总结机器学习最常见的模型评估指标，其中包括： precision recall F1-score PRC ROC和AUC IOU 从混淆矩阵谈起 看一看下...
【机器学习基础】TP,TN,FP,FN,Precision，Recall，PR曲线，AP，MAP，TPR，FPR,ROC曲线，AUC值等的解释
gbz3300255的博客
06-23 9938
PR曲线计算方式：通过置信度就可以对所有样本进行排序，再逐个样本的选择阈值，在该样本之前的都属于正例，该样本之后的都属于负例。每一个样本作为划分阈值时，都可以计算对应的precision和recall，那么就可以以此绘制曲线 参考文献1：https://blog.csdn.net/qq_41994006/article/details/81051150 参考文献2：https://blog.csdn.net/b876144622/article/details/80009867 ...
map评价吗 voc数据集可以用coco_目标检测评价指标(mAP)
weixin_33601402的博客
02-17 1577
常见指标precision 预测出的所有目标中正确的比例 (true positives / true positives + false positives).recall 被正确定位识别的目标占总的目标数量的比例 (true positives/(true positives + false negatives)).一般情况下模型不够理想，准确率高、召回率低，或者召回率低、准确率高。如果做疾病...
目标检测问题中的评估指标mAP
ludanwss0716的博客
08-26 897
1、为什么是mAP 二元分类中，精确度和召回率是常用的评估指标。但是在目标检测问题上，不仅需要检测到图片中的物品种类，还需要正确定位，因此不能简单的使用以上评估值计算，而是使用mAP评估，mAP在图像定位、目标检测和语义分割问题上都是重要指标。 2、相关定义 2.1 Ground Truth Ground truth即真实标签数据，包括训练、验证和测试数据集的ground truth。在目...
YOLOv8目标检测网络评估指标介绍
ice
07-26 464
本章主要介绍一下AP的计算方法， 其中会穿插介绍TP、TN、FP、FN、Precision和Recall等概念。
【模型评估】混淆矩阵（confusion_matrix）之 TP、FP、TN、FN；敏感度、特异度、准确率、精确率
钱多多先森
06-08 8093
对基于固定阈值的混淆矩阵进行了详尽的介绍和代码展示，包括依次引申出来的各个评价指标
基础概念——TP、FP、TN、FN、IOU、PR、AP、Interpolated AP、AUC、mAP
jindaxiaoooo的博客
03-11 6508
TP、FP、TN、FN 都是站在预测的立场看的： TP：预测为正是正确的 FP：预测为正是错误的 TN：预测为负是正确的 FN：预测为负是错误的 准确率(accuracy),精确率(Precision)和召回率(Recall) 准确度：分类器正确分类的样本数与总样本数之比 （TP+TN）/ (TP+TN+FP+FN) 精确度：所有被预测为正样本的样本中预测对的比例 (TP) / (TP+NP) 召回率：被正确预测的正样本占所有正样本的比例 （TP）/ (TP+FN) ...
“深入理解机器学习性能评估指标：TP、TN、FP、FN、精确率、召回率、准确率、F1-score和mAP”
halo的博客
11-06 7509
通俗来说，准确率回答了“模型总的预测有多准”的问题；召回率回答了“模型对正例的识别能力有多强”的问题；mAP则是用于复杂任务的一个更为全面的评估指标；而F1-score则是尝试将精确率和召回率结合起来，给我们一个更为综合的评估结果。这些指标可以帮助我们更全面地了解模型的性能，从而选择或优化模型。TP：模型说“这个人有病”，实际上这个人也真的有病。TN：模型说“这个人没病”，实际上这个人也确实没病。FP：模型误诊了健康人为病人。FN：模型漏诊了真正的病人。精确率：模型说“有病”的人中，真正有病的比例。
一文记住什么是TP/TN/FP/FN？
Joy T的博客
10-25 7078
这些工具和指标提供了评估和比较不同模型性能的方法，帮助研究者和工程师确定哪个模型在特定任务上的性能最好。而在实践中，根据应用的具体需求，可能需要关注某些指标多于其他指标。例如，医学测试中的 FN 可能比 FP 更为关键，因为遗漏一个病例的后果可能比误诊更严重。
简单理解目标检测的IOU究竟是什么
向往有那么一天梦幻的步态识别落地，开花❀！
07-11 4651
目标检测中有一个很重要的概念便是IOU，那么什么是IOU？ IOU是一种评价目标检测器的一种指标。 下图是一个示例：图中绿色框为实际框，红色框为预测框，当我们需要判断两个框之间的关系时，需要用什么指标呢？ 此时便需要用到IOU。....................................
目标检测中的评价指标mAP理解及计算
NooahH的博客
05-12 4855
目标检测中的评价指标mAP理解及计算 最近在学习Faster R-CNN进行目标检测，在评估检测结果阶段遇到了目标检测中常用的评价指标mAP。之前不太了解这方面知识，为此搜集了一些博客，做了下总结。 关于mAP的背景知识可以参考目标检测评测指标mAP及计算[译]，翻译自国外的一篇博客，很详细。下面的内容主要是关注如何计算mAP（VOC2010以后的计算方法）。 一、基础知识 1. precisi...
TP、TN、FP、FN超级详细解析
热门推荐
奋斗の博客
11-21 9万+
以西瓜数据集为例，我们来详细解释一下什么是TP、TN、FP以及FN。 一、基础概念 TP：被模型预测为正类的正样本 TN：被模型预测为负类的负样本 FP：被模型预测为正类的负样本 FN：被模型预测为负类的正样本 二、通俗理解（以西瓜数据集为例） 以西瓜数据集为例，我们来通俗理解一下什么是TP、TN、FP、FN。 TP：被模型预测为好瓜的好瓜（是真正的好瓜，而且也被模型预测为好瓜） TN：被模型预测为坏瓜的坏瓜（是真正的坏瓜，而且也被模型预测为坏瓜） FP：被模型预测为好瓜的坏瓜（瓜是真正的坏瓜，但是
一张图理解什么是TP、FN、FP、TN
zsh_edison的博客
05-23 4万+
　 　 预测 　 　 P N 实际 P TP FN N FP TN
目标检测：IOU及其在边界框回归中的应用
"这篇资源主要讨论了目标检测中边界框回归优化的重要概念，特别是交并比（Intersection over Union, IOU）在评估预测框与真实框重合度时的角色。内容涵盖L1、L2范数损失函数以及它们的局限性，接着介绍了IOU损失函数...
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