目标检测相关概念：IOU，precision, recall, AP, mAP

最新推荐文章于 2023-03-08 11:13:42 发布
最新推荐文章于 2023-03-08 11:13:42 发布
阅读量544 收藏 2
点赞数
分类专栏： 目标检测 文章标签： 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_39025871/article/details/105209726
版权

1.IOU(交并比）

IOU，交并比，顾名思义，就是预测框bounding box与真实框ground truth的交集比上并集。可以用来衡量检测物体位置的偏差。形象点可以看下图（用画图软件所画）：                                                                  

1

IOU=交集/并集 (即图中的黄色部分比上绿色的部分)

2.precision和recall

       准确率

                                                            precision=\frac{TP}{TP+FP}

       召回率 

                                                            recall=\frac{TP}{TP+FN}

       参数的含义为：

       T：分类正确            F：分类错误

       P：认为是正样本    N：认为是负样本

     TP：当预测框(bounding box)与真实框(ground truth)的IOU大于某个阈值(threshold)时，认为这个预测框预测的结果是正确的，并且实际的类别也与预测值一样，就算作一个TP。简单来说就是预测一个正样本，结果正确。

     FP：首先表明我们预测的结果是错误的，该样本实际是一个负样本，但是预测的结果却是正样本

     FN：与FP类似，预测结果是错误的，该样本实际是一个正样本，但是预测的结果是负样本

那么precision准确率的实际意义就是在已经检测出来的物体中，有多少是检测正确的

而recall召回率的实际意义就是在所有的物体中，有多少被检测出来的。（因为还会存在一些物体没有被检测出来）

3.AP和mAP

由于在评价一个模型的好坏时，单独用precision和recall都不能全面的评测算法的性能，因此将precision和recall画在一张图像上来表示检测的性能，我们称之为一类物体的AP。AP值就是precision和recall构成的图像的面积。类似于下图：

1

而mAP就是各种类别的AP值算平均值，得到整个模型的检测指标。

绘制mAP可以参考：GitHub - Cartucho/mAP: mean Average Precision - This code evaluates the performance of your neural net for object recognition.

需要将input文件夹里面的detection-results和ground-truth换成自己的数据，images-optional为可选项。

参考：

睿智的目标检测20——利用mAP计算目标检测精确度_Bubbliiiing的学习小课堂-CSDN博客_睿智的目标检测

目标检测中的mAP是什么含义？ - 知乎

域祁
关注
专栏目录
目标检测 相关参数说明 IOU/AP/MAP
FREEDOM
10-25 4024
网上一些资料博客参差不齐，缺乏直观易懂的正确说明。希望这篇博文能够给大家一点帮助。 mAP历史 目标检测的mAP计算方式在2010年的voc上发生过变化，目前基本都是采用新的mAP评价标准。（我有个小疑问就是明明是2010年修改的，但是貌似现在大家都称这种计算方式为2012）所以你查到的有一些博客上记录的是之前的mAP评价标准。 但是，知乎上有一个回答，是完全错误的。而且很多评论已经指出来了，但是回答者一直没有修改。这个回答也曾经误导过我。目标检测中的mAP是什么含义？ - 许博雅的回...
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。
最新发布
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 5198
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。
目标检测中的一些概念
qq_38213612的博客
01-02 769
一、IOU定义IOU定义了两个bounding box的重叠度，如下图所示： 矩形框A、B的一个重合度IOU计算公式为：IOU=(A∩B)/(A∪B)就是矩形框A、B的重叠面积占A、B并集的面积比例:IOU=SI/(SA+SB-SI)二、非极大值抑制从一张图片中找出n多个可能是物体的矩形框，然后为每个矩形框为做类别分类概率： 就像上面的图片一样，定位一个车辆，最后算法就找出了一堆
目标检测基础概念
salmonwilliam的博客
06-27 986
内容都是百度AIstudio的内容，我只是在这里做个笔记，不是原创。 对计算机而言，能够“看到”的是图像被编码之后的数字，但它很难解高层语义概念，比如图像或者视频帧中出现目标的是人还是物体，更无法定位目标出现在图像中哪个区域。目标检测的主要目的是让计算机可以自动识别图片或者视频帧中所有目标的类别，并在该目标周围绘制边界框，标示出每个目标的位置，如图1所示。 图1（a）是图像分类任务，只需识别出这是一张斑马的图片。 图1（b）是目标检测任务，不仅要识别出这是一张斑马的图片，还要标出...
目标检测的常用概念
XYKenny的博客
05-14 3727
目前计算机视觉（CV，computer vision）与自然语言处理（NLP，Natural Language Process）及语音识别（Speech Recognition）并列为人工智能、机器学习和深度学习方向的三大热点方向。 而计算机视觉又有四个基本任务（各个说法不一，比如有些地方说到对象检测、对象追踪、对象分割等），及图像分类、对象定位及检测、语义分割和实例分割。 a)图像分类：一张图像...
理解IOU、precision、recall、AP、mAP的含义
qq_16540387的博客
08-21 1万+
一 理解IOU IOU是由预测的包围盒与地面真相包围盒之间的重叠区域（交集），除以它们之间的联合区域（并集），其中P代表预测框，gt代表真值框： 二理解precision（查准率）、recall（查全率） 首先precision、recall是针对一类内的所有图片来说的。接下来举个例子。 例如，使用训练好的模型得到所有测试样本的confidence score，每一类（如car）...
IOU、precision、recall、AP、mAP
得克特
09-13 855
1. iou iou由预测的包围盒与truth包围盒的交集，除以它们之间的联合区域（p代表预测框，gt代表真值框） 2. precision（查准率）recall（查全率） precision/recall是针对于所有图片的某一类来说。 使用训练好的模型得到所有测试样本的confidence score，假设有20个测试样本，排序结果如下： 我们将上面数据对应到下图，选择top-5预测模型好...
目标检测中的评价指标（Recall，Precision，IOU，AP，MAP）
踏雪飞鸿的博客
09-12 3179
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...
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...
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
qq_45756171的博客
01-29 3208
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。 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):
【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 6900
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。
深度学习——卷积神经网络（目标分类）03
Latterain的博客
06-26 542
文章目录目标分类1.数据准备2. 模型设计3. 训练细节迁移学习 目标分类 1.数据准备 数据来源： 现有数据集的子集；网络采集；人工标注 数据扩充： 原始数据切割；噪声颜色等像素变化；旋转平移等姿态变化 数据规范： 均值处理；归一化；大小调整 resize 图像效果算子 使更模糊（高斯卷积核），使更清楚（unsharp卷积核)，动作模糊（motion filter） 旋转平移 R, T 2. 模型设计 基于现有模型局部更改（借鉴已有模型） 类型： 分类：表情分类，人群分类 分类+回归：表情+程度，种类+
YOLO 模型的评估指标——IOU、Precision、Recall、F1-score、mAP
热门推荐
qq_63708623的博客
01-01 2万+
YOLO是最先进的目标检测模型之一。目标检测问题相比分类问题要更加复杂，因为目标检测不仅要把类别预测正确，还要预测出这个类别具体在哪个位置。我将目标识别的评估指标总结为两部分，一部分为预测框的预测指标，另一部分为分类预测指标。
一文讲清楚目标检测中mAP、AP、precison、recall、accuracy、TP、FP、FN、TN
fengmaomao1991的专栏
01-28 8192
其中，BB表示BoundingBox，GT=1表示GT与预测的BoundingBox的IoU>=IoU_th，BoundingBox序号相同代表所对应的GT是同一个。但在工程应用中，物体是否被正确检测到，还是需要具体的confidence_th和IoU_th，工程上更关心在固定的confidence_th和IoU_th下的准确率。注意，FN是从Ground Truth中取，就是如果有n个类似这种的confidence
交并比（IOU）的计算方法
qq_28249373的博客
03-08 5349
交并比（IOU, Intersetion Over Union）,意思就是交集和并集的比值，用来评价两个几何图形的面积重合度，在目标检测算法模型中，通常被用来计算预测框与真实框的误差（损失函数）或者在非极大值抑制（NMS）算法中用于过滤多余重叠的目标，亦或者在计算mAP时用于判断目标是否被预测到。这是一个应用非常广泛的算法，这里详细介绍一下它的算法原理，以及代码的实现方式。以上公式，是根据两个矩形有交集的情况推导出来的，如果两个矩形没有交集，以上公式如何做出判断呢？，同时又定义交集矩形的对角坐标为。
IOU、GIOU、DIOU、CIOU区别（笔记，仅供自己学习使用）
weixin_44238355的博客
05-09 1594
IOU、GIOU、DIOU、CIOU区别IOU LossGIoU LossDIoU LossCIoU Loss结论参考 IOU Loss IOU（交并比）表示预测锚框和实际检测框之间的交集和其并集的比值 GIoU Loss 1.相比于IOU，可以反应预测和目标框之间中心点的距离。在二者完全不想交的时候有作用。 2.IOU只能判断二者交并比的值，无法判断切入方向问题，显示中肯定二者方向相同效果越好。GIOU能通过1中的计算值解决这个问题。 DIoU Loss 1.增加中心点归一化距离，比上面加了归一化，
AP、MAP、IOU、Precision、Recall 、FPR、TPR、 FAR、EER、ROC 、AUC等
静谧、淡雅
08-28 3053
一张图像的C类的P=图像正确预测(True Positives)的数量 除以 在图像中这一类的总目标数量。 1 AP C类的平均精度=在验证集上所有的图像对于类C的精度值的和 除以 有类C这个目标的所有图像的数量。 2 MAP MAP =所有类别的平均精度求和 除以 所有的类别 。 3 IOU loU(交并比)是模型所预测的检测框和真实(gro...
IoU、Precision、Recall、AP、mAP详解
qq_27155171的博客
10-10 4222
目标检测中的IoU、Precision、Recall、AP、mAP详解
目标检测、图像分类中的模型效果指标precision与recall的本质探索
weixin_37340613的博客
03-27 2123
要想理解一个事情的本质，首先要抽丝剥茧，把复杂的逻辑变得简单。——CoolMan 理解TP\FP\FN\TN 举一个简单的例子，我训练了一个图片分类模型（目标检测最后一步也就是图像分类）。这个模型做的事情非常简单，就是判断这张图中有没有马。好的，现在我准备了1000张图片，其中有300张中有马，另外700张没有马。这时我们期望模型能够达到的最好效果就是准确的找出这300张有马的图。很遗憾，我...
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