目标检测中的评价指标（Recall，Precision，IOU，AP，MAP）

最新推荐文章于 2024-06-17 19:37:55 发布
最新推荐文章于 2024-06-17 19:37:55 发布
阅读量2.9k 收藏 6
点赞数 1
分类专栏： 深度学习 AI 神经网络
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_38957591/article/details/100762135
版权
这篇博客介绍了目标检测中常用的评价指标，包括IOU（Intersection over Union）、Precision（精度）、Recall（召回率）以及Average Precision（AP）。文章解释了IOU作为衡量边界框重合度的指标，Precision和Recall在检测正样本中的作用，以及AP在非极大值抑制后的意义。同时提到了Multiple Average Precision（MAP）作为多类别检测的评估标准。
摘要由CSDN通过智能技术生成

最近在看一些物体识别的模型，然后做一些特定场景下的应用。之前就已经了解过一些经典做的深度目标检测模型如Faster R-CNN, SSD, YOLO,今天具体应用了就需要啃代码了，为了快速上手还是直接找比较official的代码，这里我是使用了MMdetection框架。另一篇Blog也讲述了在安装MMdetection过程中踩过的一些坑。不过这一片主要是记录一些目标检测，物体识别的一些常用的评价指标。由于单阶段和两阶段识别框架的一些本质上的不同，因此可能会有一些差别，这里用的评价指标一般是针对两阶段目标检测框架。

IOU (Intersection over Union)

IOU 也叫Jaccard index用于评判两个Bounding Box 之间的重合度大小，范围在0-1之间。
I O U ( A , B ) = A ∩ B A ∪ B IOU(A,B)=\frac{A\cap{B}}{A\cup B} IOU(A,B)=

最低0.47元/天 解锁文章
踏雪飞鸿12
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【目标检测】【基础】目标检测中，precision、recall、IOU、mAP等常见指标的计算（如，IOU、mAP等）
yjyjjyjy1231的博客
09-10 564
先计算intersection的h和w，若其中有一项不大于0，那么就不相交。 参考：某github项目中IOU的计算 def IOU(Reframe,GTframe): x1 = Reframe[0]; y1 = Reframe[1]; width1 = Reframe[2]-Reframe[0]; height1 = Reframe[3]-Reframe[1]; x2 = ...
100.目标检测的性能评价指标1
08-03
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上的平均精度。mAP是通过计算每个类别的平均精度（AP）并取平均得到的。AP又与Precision-Recall曲线密切相关，该曲线展示了在不同召回率（Recall）下，算法...
评估计算recall、precision、AP、F1、mAP（PyTorch-YOLOv3代码解析二）
YMilton的专栏
04-13 6397
目标检测评估计算（Python+Pytorch） 代码github地址：https://github.com/eriklindernoren/PyTorch-YOLOv3 1. 检测的评估函数 # reference: https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/f917503ffe4a21d2b1148d8cb13b89b834517d76/utils/utils.py def ap_per_class(tp, conf, pre
目标检测之IoU、precision、recall、AP、mAP详解
钱彬的博客
01-15 9332
目录 1. 目标检测概述 2. IoU 3.precision（精度）和recall（召回率） 4. AP和mAP 5.实际计算方法 1. 目标检测概述 目标检测的任务是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小，是计算机视觉领域的核心问题之一。以下图为例，图中需要识别3类物体：car（车）、bicycle（自行车）、dog（狗），通过特定的目标检测算法希望最终把...
MMDetection评价标准Precision,Recall
最新发布
2302_78112970的博客
06-17 1223
python tools/test.py '模型配置文件的路径，在config文件夹中的对应的模型的py文件' '训练好的权重路径，.pth文件的路径' '.pkl文件保存路径，例：results/faster-rcnn/faster-rcnn.pkl'这里的precision和recall跟yolo中的一样，都是根据绘制的混淆矩阵进行计算求得的。首先使用我们训练好的模型进行测试并生成.pkl文件，这个文件是关键，通过运行以下命令（修改引号中对应的三个参数，运行时不带引号），运行后找到生成的pkl文件。
关于目标检测中的Precision和Recall举例说明（转载自知乎Mario）
沉醉于风中的博客
02-13 806
对于Precision值，其代表的是你 所预测出来准确结果占 “所有预测结果” 的准确性； 对于Recall值，其代表的是你 所预测出来准确结果占 “总体正样本” 的准确性。 举例： 现在你手上有10个鸡蛋，里面有6个是好的，另外4个是坏的，你训练出一个模型，检测出8个鸡蛋是好的，但实际上只有5个是好的，另外3个是坏的。那么模型的Precision值为5/8=0.625，即表示你所预测出来的8个鸡蛋中只有5个是好的，其值只在你预测结果中计算得到，Recall值为5/6=0.833，即表示总共有6个正样本，你
【深度学习】Precision 和 Recall 评价指标理解
weixin_30933531的博客
07-25 337
1. 四种情况 Precision精确率， Recall召回率，是二分类问题常用的评价指标。混淆矩阵如下： 预测结果为阳性 Positive 预测结果为假阳性 Negative 预测结果是真实的 True TP TN 预测结果是虚假的 False FP FN 通常关注的类为正类，其他类为负类。（以猫狗二分类为例，现在关注狗的precision和recall） ...
【机器学习】如何通过Recall和Precise快速判断自己模型的问题
Vincent Lai的博客
04-18 5505
定义 Recall = TP/(TP+FN) ， 查全率，反映了被正确判定的正例占总的正例的比重； Precise = TP/(TP+FP)，反映了被分类器判定的正例中真正的正例样本的比重； 对结果的判断 1. 如果Recall高，Precise 低 说明正类都能被正确预测，但是一部分负类也被预测成了正类 分类器的问题：会偏向于预测正类 分类器的优点：对负类的预测是靠谱的、可以找回大多数的正...
深度学习新技术：HALP可以使用低精度的训练，但不限制准确性
whale52hertz的博客
07-12 949
使用较少位的精度来训练机器学习模型是否会限制训练的准确性呢？这篇文章描述了一些情况，我们可以通过被称为位中心化（bit centering）的技术使用低精度计算获得高准确性的解（solution）。 文章来源：ATYUN AI平台 低精度计算在机器学习中得到了广泛的应用。有些公司甚至已经开始开发新的硬件架构，这些架构本身支持和加速低精度操作，包括微软的Project Brainwav...
学习心得：精确度precision和召回率recall
weixin_44813041的博客
11-01 1037
     精确度和召回率，是两个比较难以理解的模型评价指标。而且两者存在着难以兼得的关系。 计算方法      两种指标的计算公式如下：          其中，TP为正样本预测为真的数目，FP为负样本预测为真的数目，FN为正样本预测为假的数目。 二者的关系...
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
常见的有平均精度（Average Precision, AP）和平均召回率（Average Recall），特别是IoU（Intersection over Union）用于衡量预测框与真实框的重合度。此外，还有mAP（mean Average Precision），它是所有类别的平均...
计算机视觉-目标检测面试题目及其答案
04-01
- **平均精确度均值(Mean Average Precision, mAP)**：这是一种综合考虑了准确率和召回率的指标，通常用来评估目标检测算法的整体性能。mAP计算的是不同置信度阈值下平均精确度(Average Precision, AP)的平均值，而...
目标检测方法总结1
08-03
目标检测的评估 metrics 包括精度（Precision）、召回率（Recall）、平均精度（AP）、平均平均精度（mAP）、交并比（IoU）和帧率（FPS）。当一幅图像中存在多个不同类别的目标对象时，精度和召回率将分别计算每个...
结合HOG和SVM的目标检测方法1
08-08
结合HOG和SVM的目标检测方法 本文总结了结合HOG和SVM的目标检测...2. 测试阶段的mAP计算：iou阈值≥0.5为TP，iou为FP，计算Precision、Recall和AP值。 该方法结合HOG和SVM实现了目标检测任务，取得了较好的检测结果。
yolov8获取模型性能指标（p、r、map）
m0_74335712的博客
03-28 705
【代码】yolov8获取模型性能指标（p、r、map）
目标检测的NMS，mAP，AP50、75等常识
xiaoleige0713的博客
10-14 3507
目标检测的NMS，mAP，AP50、75等常识 NMS 目标检测中NMS应该是最基本的后续处理操作了，但是刚接触目标检测的时候对怎么使用NMS，何时使用NMS都很模糊，今天在这里Mark一下。 1，NMS是在测试的时候使用的，在训练的时候不用。 2，NMS全称叫非极大值抑制，顾名思义就是把最大的留下来，具体操作是一张图像经过Detector（检测器）检测的目标框按类别进行分类（例如有Dog和Cat两类），然后对按类划分的框按置信度从大到小排序，对这些框按IoU的阈值（一般取0.5）进行过滤，所有与置信度最大
【目标检测必学】快速理解IOU、Recall、Precision、AP、mAP检测指标
qq_45193872的博客
03-03 6638
学习目标： 总结了几篇个人认为深入浅出的目标检测性能指标相关博客，希望通过这次笔记能帮助到还不理解的同学！ **理解目标检测中常用的性能检测指标mAP、IOU、Recall、Precision,**通过约30分钟的阅读深刻理解并掌握这几个常见指标的运用。
precision 为什么和recall成反比
m0_46556534的博客
11-23 1722
presicion与recall成反比的原因
目标检测中的一些评价标准（ACC,Precision，recall，AP,MAP,F1Score，ROC,AUC）
justsolow的博客
04-17 7411
目标检测中的一些评价标准（ACC,Precision，recall，AP,MAP,F1Score，ROC,AUC） 介绍这些之前，应该了解一下最基本的TP,TN,FP,FN. 先看一下下面这些解释。 True positives: 简称为TP，即正样本被正确识别为正样本，飞机的图片被正确的识别成了飞机。 True negatives: 简称为TN，即负样本被正确识别为负样本，大雁的图片没有被识别出...
目标检测必学】快速理解IOU、Recall、Precision、AP、mAP检测指标
05-29
4. AP（Average Precision）：平均精度，是目标检测中常用的评估指标之一。它是指在不同召回率下的平均精确率值。AP值越高，表示检测算法在不同召回率下的表现越好。 5. mAP（mean Average Precision）：平均精度...
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