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4.7k 收藏 10
点赞数 2
分类专栏： 数据集处理 文章标签： 计算机视觉 深度学习 机器学习
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

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

Wanderer001
关注
  • 2
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
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...
实时目标检测算法比较综述：不比不知道，原来NanoDet那么优秀！
我爱计算机视觉
01-06 1475
关注公众号，发现CV技术之美目标检测算法很多，但那些在COCO等数据集上登顶的算法往往模型较大、计算复杂度高，其实大家更关心的是“开源”且“实时”目标检测方法。今天向大家介绍一篇目标检测综述，其对常见的开源实时目标检测算法进行了比较研究，从精度、速度、鲁棒性、消耗能量等角度做了细致的比较，非常值得参考。这篇论文发表于Transactions on Machine Learning Research...
计算机视觉Imagenet、COCO等各数据集精度TOP排行
suprem_Gfox的博客
07-27 5813
图像处理模型精度排行
常见经典目标检测算法
最新发布
数字人生
04-23 2151
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。
目标检测笔记(五)：查看通过COCOEvaluator生成的coco_instances_results.json文件的详细检测信息，包含AP、AR、MR和DR等
源的博客
06-05 1848
COCO数据集中的图片和标注信息可以被用于训练和评估机器学习算法，但是为了保证算法的准确性，我们需要一个评估指标来量化算法的性能。这时候我们若想要通过这个json文件来得到我们的检测指标，各类AP和AR指标以及MR(错误率)和DR(检测率)，就可以通过下面这个代码(只需要指定COCO数据集的标签json文件(和验证的代码一样的json文件)，然后再指定coco_instances_results.json的路径即可。
给我推荐20个比较流行的目标检测算法模型
weixin_42601547的博客
01-03 455
您好，目标检测是计算机视觉领域的一个重要研究领域。在近几年，已经有许多成功的目标检测算法模型问世，以下是推荐的20个比较流行的目标检测算法模型： R-CNN (Region-based Convolutional Neural Network) Fast R-CNN Faster R-CNN Mask R-CNN YOLO (You Only Look Once) SSD (Single Sho...
目标跟踪模型COCO官方评测榜单
A_king_的博客
04-02 451
目标跟踪模型COCO官方评测榜单 [https://paperswithcode.com/sota/object-detection-on-coco]
100.目标检测的性能评价指标1
08-03
为了评估目标检测算法的性能，通常会使用一系列的评价指标。本文主要关注两个重要的指标：mAP（平均准确度均值）和速度指标。 1. mAP（平均准确度均值） mAP是目标检测中最重要的性能指标，它综合了算法在所有类别...
C02_深度目标检测_邬书哲_V2_目标检测_目标检测评价_cv_yolo_V2_
09-30
本文将深入探讨“C02_深度目标检测_邬书哲_V2”这一主题，主要围绕目标检测的基础概念、常用算法、评价标准以及YOLO V2模型。 首先，目标检测的基本任务是定位图像中的物体并给出它们的类别。这不仅需要识别出物体...
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"，全称为“Mean Average Precision”，即平均精度均值，是衡量目标检测算法性能的关键指标。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...
COCO_val2017_detections_AP_H_56_person.zip
11-17
AP是衡量目标检测模型性能的关键指标，尤其是在PASCAL VOC和COCO等挑战赛中。这里的“H”可能代表“Head”，暗示了对头部关键点的特殊关注，而数字“56”可能是指总共检测到的56个关键点，或者涉及到的56个人体实例...
深层卷积神经网络的目标检测算法综述_张泽苗.pdf
10-25
Average Precision (AP)和Mean Average Precision (mAP)是衡量检测算法性能的关键指标，尤其在PASCAL VOC和COCO等公共数据集上。IoU (Intersection over Union)则用于判断预测框与真实框的匹配程度，是计算AP的重要...
目标检测算法中，COCO评价指标的解析
Orange_sparkle的博客
07-20 3092
AR(averagerecall)即平均召回率，是IoU在[0.5,1.0]上所有recall的平均，对于不同的iou取。与图像分类的评价指标有所不同，图像分类是在所有的图像中分类正确和错误的概率。AP为IOU从0.5开始，每次增加0.05直到0.95，一共有十个IOU值，求出每一个IOU的AP，然后求平均得到。OB（IOU=0.5）表示当目标框与GTbox的IOU大于0.5时就为Ture，小于0.5就为False。FPIoU...
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 1294
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...
Microsoft COCO: Common Objects in Context - 目标检测评估 (Detection Evaluation)
既然选择了远方 便只顾风雨兼程 - 永强
05-24 2191
Microsoft COCO: Common Objects in Context - 目标检测评估 (Detection Evaluation)http://cocodataset.org/#homeHome -> Evaluate -> Detectionhttp://cocodataset.org/#detection-eval1. Detection Evaluation检测评...
万字长文详解目标检测算法，超大超全(2022最新)
热门推荐
qq_40716944的博客
09-16 1万+
基于深度神经网络的目标检测器不断发展，并用于多种应用，每个应用都有自己的一组要求。安全关键型的应用程序需要高精度和可靠性，而低延迟的任务需要节约资源的神经网络结构。实时目标检测器在有高影响力的现实世界应用中是必不可少的，并不断有新方法提出，但它们过分强调精度和速度上的改进，而忽略了其他方面，如多功能性、鲁棒性、资源和能源效率。现有网络的参考基准不存在，新网络设计的标准评估指南也不存在，这导致比较模棱两可和不一致。
COCO 2018 Keypoint冠军算法解读
AI科技大本营
01-19 3657
作者简介：王志成，清华大学计算机系硕士，现为旷视科技研究员，人体姿态估计研究负责人，COCO Keypoint 冠军算法 CPN、MSPN 共同第一作者，研究方向涵盖人体姿态估计与跟踪、人体动作识别，并在上述方向有着长期深入的研究；2017、2018 年作为负责人带队参加 COCO 人体姿态识别竞赛（Human Keypoint Detection），连续两次夺魁。 本文主要介绍了 Face...
COCO2017 数据集分类统计
liguiyuan的博客
06-03 1万+
coco2017数据集是微软采集的数据， 我们可以直接使用python coco api 来读取图片数据， 对于这个数据集的类别我们可以做一下统计，这样有利于我们在做行人检测上做一个评估，同时对不同类别在算法上做一个均衡。 我们使用一下代码来统计不同类别的图片数量、标注框数量。 代码： from pycocotools.coco import COCO dataDir='./COCO' dataType='val2017' #dataType='train2017' annFile='{}/a
【YOLO】YOLOX训练COCO数据集
MangoloD的博客
08-17 9134
有小伙伴是训练coco数据集时，AP为0，实际上，我并没有遇到这个问题，我这里测试了下，是可以正常运行的，但有小伙伴问了，我这里就总结一下如何训练Coco数据集吧．．． 步骤如下 首先呢，保证Coco数据集格式正确Animals_Coco ├─annotations ├─train2017 └─val2017 在annotations 文件夹下包含两个重要的文件instances_train2017.json，instances_val2017.json 在train2017和val
coco数据集的评价指标
07-29
COCO数据集的评价指标主要包括Average Precision (AP) 和Mean Average Precision (mAP)。AP是一种用于评估目标检测算法性能的指标，它通过计算不同IoU阈值下的精确率（Precision）来衡量算法的准确性。具体来说，对于每个IoU阈值，我们计算出对应的最大精确率，然后取这些精确率的平均值，得到AP。这种方法被称为11-point interpolated average precision，因为我们通常使用11个IoU阈值（从0到1，间隔为0.1）来计算AP\[1\]。 mAP是AP的平均值，它是对所有类别的AP进行平均得到的。在COCO数据集中，mAP是通过计算所有类别的AP的平均值得到的。这个平均值反映了算法在整个数据集上的性能\[2\]。 除了AP和mAP，COCO数据集还有其他一些评价指标，如目标所占面积的大小（area）和每张图片所能提供的最大预测框个数（maxDets）。这些指标可以帮助我们观察目标检测模型在不同尺度和预测框个数下的性能\[2\]。 总结起来，COCO数据集的评价指标包括AP、mAP、area和maxDets，它们可以用来评估目标检测算法在不同场景下的性能。 #### 引用[.reference_title] - *1* *3* [看懂COCO数据集目标识别性能评价标准AP，AP50，AP75，APsmal等](https://blog.csdn.net/meccaendless/article/details/87176932)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [COCO数据集评价指标](https://blog.csdn.net/pengxiang1998/article/details/129631914)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“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

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