目标检测 COCO数据集测评指标及算法AP排行榜

已于 2023-10-18 20:31:01 修改
阅读量5.4k 收藏 12
点赞数 3
分类专栏： 数据集处理
于 2022-04-08 12:13:01 首次发布
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/weixin_36670529/article/details/109015311
版权

计算机视觉 深度学习 机器学习

参考  目标检测 COCO数据集测评指标及算法AP排行榜！！ - 云+社区 - 腾讯云

目标检测COCO数据集上各算法AP排行榜：

CodaLab - Competition

进入 coco 官网如下：
在这里插入图片描述
进入 Evaluate/detection如下：
在这里插入图片描述
点击第一段上面 uploaded,进入界面：
在这里插入图片描述
点击（1）里面的 condaLab 然后选择 Competitions 进入界面
在这里插入图片描述
点击 COCO Image Captioning Challenge 选择年份即可查看 算法在COCO数据上的AP排行
在这里插入图片描述

COCO数据集测评指标

官网
COCO - Common Objects in Context
COCO - Common Objects in Context
对应翻译
COCO目标检测测评指标 - 简书
代码
COCO数据集深入理解_weixin_34236497的博客-CSDN博客

COCO数据集上两大霸榜模型-CBNet和DetectoRS
Andy1814的博客
08-20 316
具体地址
目标检测算法map_大盘点 | 性能最强的目标检测算法
weixin_34552166的博客
01-02 1427
新智元推荐来源：CVer(ID：CVerNews)作者：Amusi整理编辑：三石【新智元导读】目标检测中存在两个非常重要的性能：精度和速度，特指mAP和FPS。本文便对mAP最高的目标检测算法进行了盘点。趁最近目标检测(Object Detection)方向的论文更新较少，赶紧做个"最强目标检测算法"大盘点。要知道衡量目标检测最重要的两个性能就是精度和速度，特指 mAP 和 F...
DeepSeek预测2025目标检测算法Top 5：谁将主导下一代视觉感知？
CooVally_AI的博客
02-13 1162
2025年的目标检测市场将呈现“三层金字塔”格局：底层（YOLO/EfficientDet）解决规模化需求，中层（Swin/DETR）攻坚高壁垒行业，顶层（DiffusionDet）探索技术无人区。随着英伟达Grace等新一代边缘计算芯片的发展，YOLO11通过动态剪枝（如LayerDrop2.0）适配不同的硬件，为边缘设备提供高效的目标检测解决方案。而且在该平台上，无需配置环境、修改配置文件等繁琐操作，一键上传数据集，使用模型进行训练与结果预测，
目标检测 COCO数据集测评指标及算法AP排行榜！！
weixin_42784951的博客
08-01 1万+
目标检测COCO数据集上各算法AP排行榜： https://competitions.codalab.org/competitions/5181#results 进入 coco 官网如下： 进入 Evaluate/detection如下： 点击第一段上面 uploaded,进入界面： 点击（1）里面的 condaLab 然后选择 Competitions 进入界面 点击 COCO Imag...
coco目标检测排名
alex1801
10-29 4198
可以看到截止目前2022.11月，指标最高的为FD-SwinV2-F，ap为64.2。有同学整理了coco上排名靠前的检测算法，并做了摘要。
基于COCO数据集验证的目标检测算法天梯排行榜
CodeInLinXu
02-16 510
基于COCO数据集验证的目标检测算法天梯排行榜 AP50 Rank Model box AP AP50 Paper Code Result Year Tags 1 SwinV2-G (HTC++) 63.1 Swin Transformer V2: Scaling Up Capacity and Resolution Link 2021 Swin-Transformer ...
CVPR 2023 | InternImage: 65.4 mAP，刷新 COCO 目标检测榜单记录！
专注计算机视觉全栈知识分享
06-18 971
研究人员提出了 InternImage，这是一种新的基于 CNN的大规模基础模型，可以为图像分类、对象检测和语义分割等多功能视觉任务提供强大的表示。研究者调整灵活的DCNv2算子以满足基础模型的需求，并以核心算子为核心开发了一系列的block、stacking和scaling规则。目标检测和语义分割基准的大量实验验证了InternImage可以获得与经过大量数据训练的精心设计的大规模视觉转换器相当或更好的性能，这表明CNN也是大规模视觉基础模型研究的一个相当大的选择。
霸榜COCO！DINO: 让目标检测拥抱Transformer
Paper weekly
07-24 764
©作者 | 李峰单位 | 香港科技大学博士生研究方向 | 目标检测、多模态学习PR 一下我们最近刷榜 COCO 的目标检测模型，DINO（DETR withImproved deNoising anchOr boxes），从三月初霸榜至今（7 月），该模型第一次让 DETR （DEtection TRansformer）类型的检测器取得了目标检测的 SOTA 性能，在 C...
COCO数据集目标检测输出指标AP、AR、maxDets
热门推荐
qq_40310050的博客
11-09 1万+
最近在用retinanet进行一个实验，用的coco格式的数据集，输出的结果大致如下： 知识太贫乏了，看不懂 后查了资料，这是coco数据集输出的一个检测结果，解释如下： 1.第一行，是COCO的评价指标 2.第二行，是PASCAL VOC的评价指标 3.第三行，IoU=0.75 相比IOU=0.50是比较严格的一个指标 4.第四行，关注小目标的情况 5.第五行，检测中等目标的 6.第六行，检测大目标的指标 7.第七行，设置目标检测框只有1个 8.第八行，设置目标检测框有10个 9.第九行，设置目标检测
【目标检测基础篇】目标检测评价指标：mAP计算的超详细举例分析以及coco数据集标准详解（AP/AP50/APsmall.....)）
CV在读
03-20 4100
使用yolov5来进行预测，图片的标注为左图所示，yolov5预测的结果如右图所示，可以看到模型预测的有错误：没有预测到窗户里的人，错把一只小狗预测成了泰迪。图片中有5个目标，但是模型只检测出一个目标（1个红色框），没有其他任何的检测框，所以TP=1，FP=0，故P = 1，因此P高并不能说明模型检测效果好。假设模型一次给出了50个预测框，包括了图中的5个目标，故TP=5，由于没有漏检目标，故FN=0，因此recall=1，故R高也不能说明模型预测的好。：针对小目标，目标像素面积<32平方。
coco数据集目标检测论文_一文了解目标检测/图像分割/coco数据集检测评价标准...
weixin_39969143的博客
12-20 450
前言目标检测(Intance Detection) 和图像分割(Image Segmantation) 算是深度学习中两个个比较热门的项目了，单级式检测(YOLO、SSD)和双级式检测(Fast R-Cnn)代表了如今大多数的目标检测方法，而FCN、U-net、Deeplab则引领了图像分割的潮流，为此，我们也应该知道如果去评价我们的检测准确度：(在Mask R-Cnn论文中精度展示figure)...
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 1609
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...
3d目标检测_CVPR2020|3D目标检测算法推荐论文源码大盘点
weixin_39673947的博客
11-27 423
本文收集了CVPR 2020 关于目标检测相关论文和算法，自动驾驶依然热门，所以带动着3D目标检测论文居多，当然2D目标检测依旧热门，神经架构搜索也开始在应用与目标检测,样本少和跨域的研究也是非常值得关注研究。先看看3D目标检测相关论文1.基于LiDAR的在线3D视频目标检测简要：现有的基于LiDAR的3D对象检测器通常专注于单帧检测，而忽略了连续点云帧中的时空信息。在本文中，我们提出了一种在点云...
目标检测 - 主流算法介绍 - 从RCNN到DETR
shenlanshenyanai的博客
03-18 7354
目标检测是计算机视觉的一个非常重要的核心方向，它的主要任务目标定位和目标分类。 在深度学习介入该领域之前，传统的目标检测思路包括区域选择、手动特征提取、分类器分类。由于手动提取特征的方法往往很难满足目标的多样化特征，传统方法始终没能很好的解决目标检测问题。 深度学习兴起之后，神经网络可以从大量数据中自动学出强大的特征提取和拟合能力，因而涌现出很多性能优良的目标检测算法。 基于深度学习的目标检测方法大致可分为三类——双阶段目标检测、单阶段目标检测、基于transformer的目标检测，本文将分别介绍这三
CVPR2020 | 阿里结构感知3D目标检测，KITTI BEV 排行榜第一！
我爱计算机视觉
03-21 1806
本文转载自机器之心。阿里巴巴达摩院在自动驾驶 3D 物体检测方面又有新成果发布。近日，计算机视觉顶会 CVPR 2020 接收论文结果发布，达摩院一篇名为《Structure Aware...
计算机视觉Imagenet、COCO等各数据集精度TOP排行
suprem_Gfox的博客
07-27 6636
图像处理模型精度排行
常见经典目标检测算法
数字人生
04-23 3672
针对单阶段检测器在分类和定位任务上的不平衡问题，提出了Focal Loss，有效缓解了背景类样本对模型训练的影响，提高了对难分类样本的学习能力，使得RetinaNet在保持高检测速度的同时，精度达到了与两阶段检测器相当的水平。YOLO以其高效的速度受到广泛关注。SSD结合了YOLO的速度和Faster R-CNN的准确性，通过在不同分辨率的特征图上使用不同大小的滤波器来直接预测边界框和类别概率，提高了目标检测的速度和效果。这些算法在目标检测领域都取得了显著的成绩，为后续的研究和应用提供了坚实的基础。
目标检测排行榜_3D领域重大突破！大华股份人工智能取得KITTI Object 3D车辆检测排行榜第一名...
weixin_42561249的博客
01-17 520
[导读]近日，大华股份基于深度学习技术研发的3D目标检测技术，刷新了The KITTI Vision Benchmark Suite中3D车辆类目检测任务(3D Object Detection Evaluation)排行榜，取得了3D车辆类目检测第一名，这标志着大华股份的人工智能技术在3D目标检测领域处于国际领先水平。大华股份在人工智能的核心技术领域持续耕耘，不断提升智能算法、算力的核心竞争力。...
目标检测领域的经典和流行算法总结
changjuanfang的专栏
05-14 775
目标检测领域的经典和流行算法
pascal voc数据集，COCO imagnet数据集 在目标检测方面的评价指标
最新发布
03-15
### Pascal VOC、COCO 和 ImageNet 数据集的目标检测评估指标 #### Pascal VOC 数据集的评估指标 Pascal VOC 数据集采用了一系列经典的评估指标来衡量目标检测模型的表现。其中最核心的两个概念是查准率（Precision）和查全率（Recall）。 - **Precision (查准率)** 表示预测为目标的数量中有多少比例确实是真正的目标对象[^1]。 - **Recall (查全率)** 则表示实际目标数量中有多少比例被成功检测出来。 为了综合考虑 Precision 和 Recall 的表现，引入了 Average Precision (AP) 这一指标。在 Pascal VOC 中，通常会设定 IoU 阈值为 0.5 来判断检测框是否匹配真实框。随后通过计算 PR 曲线下的面积得出 AP 值[^3]。最后，mAP（mean Average Precision）是对所有类别 AP 取平均的结果，用于整体性能评估。 #### COCO 数据集的评估指标 相较于 Pascal VOC，COCO 数据集采用了更为严格的评价体系。它不仅关注单一 IoU 阈值的情况，还扩展到了多个 IoU 范围内的表现分析。具体而言： - 平均精度 AP 定义为不同 IoU 下的 AP 均值，IoU 范围从 0.5 至 0.95，步长为 0.05[^2]。 - 此外还有针对特定 IoU 设置的子项，例如 $ \text{AP}_{\text{IoU}=0.5} $ 或者更严苛条件下的 $ \text{AP}_{\text{IoU}=0.75} $。 - 同样存在 mAP 计算方式，但其覆盖范围更大且更具挑战性。 另外值得注意的是 AR（Average Recall），该值反映了每张图片能够正确识别出的目标数目上限。AR 经常配合最大探测次数 k 使用 ($ \text{AR}_k $)，以体现算法效率与效果之间的平衡关系。 #### ImageNet 数据集的评估指标 虽然 ImageNet 更广为人知是因为它的分类任务，但在涉及目标定位的任务部分也有相应的评测机制。然而相比前两者，ImageNet 在这方面并没有形成统一固定的模式；一般情况下仍沿用类似于 Pascal VOC 或 COCO 所定义的标准来进行比较研究[^4]。 ```python def calculate_ap(precision_list, recall_thresholds=[0, 0.1, ..., 1]): ap_values = [] for threshold in recall_thresholds: filtered_precisions = [p for r, p in zip(recalls, precisions) if r >= threshold] max_precision_at_recall = max(filtered_precisions) if filtered_precisions else 0 ap_values.append(max_precision_at_recall) return sum(ap_values)/len(ap_values) # Example usage of the function with hypothetical data points. recalls = [0.1, 0.2, ... , 1.0] precisions = [... corresponding values to recalls... ] ap_value = calculate_ap(precisions) print(f"The calculated AP value is {ap_value}") ``` 上述代码片段展示了如何基于给定的一组精确度(Precision)-召回率(Recall)对按照一定规则计算得到单类别的AP值的一个简化版本实现过程。
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

打赏作者

Wanderer001

ROIAlign原理

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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