目标检测的评价指标P,R,mAP

最新推荐文章于 2024-07-02 16:04:31 发布
最新推荐文章于 2024-07-02 16:04:31 发布
阅读量1.2w 收藏 91
点赞数 28
分类专栏： # 机器人视觉 文章标签： python mAP 目标检测 深度学习 计算机视觉
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_43746266/article/details/117653593
版权

目标检测的评价指标P,R,mAP

1 基本概念

1.1 IOU(Intersection over Union)

交集除以并集，这样可以更好的表示两个框的重合程度
在这里插入图片描述

1.2 TP TN FP FN

TP(Truth Positive)：预测对的正类，我说他对，而且他本来也是对的
TN(Truth Negative)：预测对的负类，我说他错，而且他本来也是错的
FP(False Positive)：预测错的正类，我说他对，但是他错了
FN(False Negative)：预测错的负类，我说他对，但是他是对的
在这里插入图片描述
总结：猜对就是T，猜错就是F，猜是啥看PN

2. 各种率

  • Accuracy：这个可以翻译成准确率，就是对于就是 ( T P + T N ) / ( P + N ) (TP+TN)/(P+N) (TP+TN)/(P+N)，这个指标在样本比例差异较大时，容易失效，因为只要将全部预测成比例多的那种即可得到很高的准确率
  • Precision：这个有翻译成精确率，不过我觉得翻译成查准率更合适，预测的正类中对了几个 T P / ( T P + F P ) TP/(TP+FP) TP/(TP+FP)，你猜的全部正类中，查得多对
  • Recall：这个有的翻译成召回率，不过有的翻译成查全率，全部正类中你猜对了几个 T P / ( T P + F N ) TP/(TP+FN) TP/(TP+FN)，理解成正类中召回了多少，查得多全
  • F1 SCORE:查全率和查准率的调和平均， 1 / F 1 = 1 / 2 ∗ ( 1 / P + 1 / R ) 1/F_1 = 1/2*(1/P+1/R) 1/F1​=1/2∗(1/P+1/R)，综合考虑两个指标，并且受小的影响比较大

2.1 根据IOU计算Precision、Recall

在利用IOU计算PR需要给定预测框的置信度阈值，然后根据IOU是否大于0.5来确定是TP还是FP【如果在一个groundtruth附近预测多个相同的框，有助于准确率！！】，
以下图为例子，绿色是预测的，蓝色为ground truth，图中的红色的数字代表置信度，
例如我们阈值取0.8，则不用考虑置信度在0.8以下的【注意区别置信度和IOU】

  • 第一个预测框的置信度0.9，考虑，IOU>0.5是TP
  • 第二个预测框的置信度0.8，考虑，IOU<0.5是FP
  • 第三个预测框的置信度0.7，不考虑
    P r e c i s i o n = T P / ( T P + F P ) = 1 / 2 Precision=TP/(TP+FP)=1/2 Precision=TP/(TP+FP)=1/2
    R e c a l l = T P / ( g r o u n d t r u t h 的 数 目 ) = 1 / 3 Recall=TP/(ground truth的数目)=1/3 Recall=TP/(groundtruth的数目)=1/3
    在这里插入图片描述
    图片来源：https://blog.csdn.net/hsqyc/article/details/81702437?spm=1001.2014.3001.5502

3. PR曲线

PR就是选择不同的置信度阈值，得到的不同组合的P,R，以R为横坐标，P为纵坐标绘制而成【ROC曲线还没有了解，参考的博客说PR曲线能在正负样本比例相差较大的情况下反应分类器的性能】
在这里插入图片描述
图片来源：https://blog.csdn.net/weixin_31866177/article/details/88776718

4. mAP的计算

4.1 AP的计算

AP是指PR曲线与坐标轴所夹的面积，有不同的计算方式，一般采用整数逼近的方法，划分的间隔决定了精度，连续计算相当于积分，比较难。
下面这种就是稍微粗糙点，我们可以划分得细腻一点。
在这里插入图片描述

4.2 mAP

就是对不同类别的AP取平均。

4.3 mAP@0.5和mAP@0.5:0.95

  • mAP@0.5就是计算IOU=0.5的PR曲线与坐标轴所包围的面积
  • mAP@0.5：0.95就是在不同IoU（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。
    在这里插入图片描述

参考链接：
[1]:主要参考教程
[2]:mAP0.5与mAP[0.5:0.95]的区别
[3]:PRC曲线
[4]某个代码对mAP计算的讨论

YOLO算法：关于目标检测的评价指标（小白入门必读）
突然好想你
10-24 2105
目标检测评价指标是用来衡量目标检测算法性能的指标，主要包括几个指标：精确率（Precision）、召回率（Recall）、交并比（IoU）、平均精度（AP）和多个类别AP的平均值即mAP等等。本节课就给大家重点介绍下目标检测中的相关评价指标及其含义，希望大家学习之后能够有所收获！
YOLOV5/v7/v8训练数据集P、R、mAP等均为0
最新发布
weixin_61623830的博客
09-14 2881
时选择的路径）4.查看系统变量中的Path是否有v12.2\bin，若没有则添加正确路径；若错误则修改成正确路径（路径为。
目标检测评估指标 mAP P R
m0_59787404的博客
02-22 5429
R（召回率recall）=正确预测的正样本数/实际拥有的正样本数 P（准确率precision）=正确预测的正样本数/总预测样本数 R是查全率，P是查准率，是两个不同维度的衡量方法。有时这两个是矛盾的，比如只检测出了一个结果，且是正确的，那么P就是100%，但是R就会很低。如果我们把所有认为可能的结果都返回，那么P可能就会很低，R就很高 比如： R高P低：所有汽车都被正确识别出来，但是很多卡车也被误认为是汽车 R低P高：识别出的飞机都是正确的，但还有很多飞机没被识别出来 所以衡量一个模型
目标检测Object Detection下的P-R曲线，AP，mAP，AUC，ROC曲线详解
catscanner的博客
12-22 9454
目录P-R曲线APmAP P-R曲线 上篇文章我们详细说了一下Detection中的Recall和Precision的计算，P-R曲线就是Precision和Recall画出的曲线。 AP mAP
目标检测的mAP、PR指标含义
xw2017的博客
04-23 855
精确率（Precision）表示预测为正样本中真正是正样本的比率，召回率（Recall）表示实际正样本中真正是正样本的比率。表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。将IoU设为0.5时（大于设定阈值才认为预测正确），计算每一类所有图片的AP，然后所有类别求平均，即mAP。两个算法模型都能成功预测图片中出现的细胞，并且每个bbox都标注一个类别，每个类别还有相应的置信度。
目标检测评价指标：mAP、Precision、Recall、AP、IOU等
热门推荐
星智云图工作室（StarImagine Studio）
11-26 1万+
目标检测评价指标： 　　准确率 （Accuracy），混淆矩阵 （Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交除并（IoU），ROC + AUC，非极大值抑制（NMS）。 假设原始样本中有两类，其中：    1：总共有 P 个类别为 1 的样本，假设类别 1 为正例。  ...
目标检测的评价方法（PR，IOU，AP，MAP）
weixin_30485379的博客
01-22 882
使用不同的性能指标对算法进行评价往往会有不同的结果，也就是说模型的好坏是相对的。方法的好坏不仅取决于算法和数据，还决定于任务的需求。因此，选取一个合理的模型评价指标是非常有必要的。这里主要探讨一下图像处理中对object检测的评价方法。其中包括Precision&Recall，IOU，AP，MAP。 Precision&Recall 准确率Precision： 预测结果中...
【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 4079
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。
目标检测评价指标（mAP、P-R曲线、IOU）
redross的博客
03-04 2065
目标检测评价指标（mAP、P-R曲线、IOU）一、mAP如何去理解？ 一、mAP 真实情况 预测为正 预测为反 recall召回率 正 TP FN R = TP / (TP + FN) 反 FP TN precision准确率 P = TP / (TP + FP) 如何去理解？ 这四个字母看着真头晕，就算看博客当时理解了，过一会儿就忘了，所以决定整理一下，用特殊的方法记住他！ 后面的字母P（positive）和N（negative）是针对检测器而言的。检测器认为它是正，则是
目标检测模型的评价指标 mAP
黑暗星球
09-02 7945
在使用机器学习解决实际问题时，通常有很多模型可用。每个模型都有自己的怪癖（quirks），并且基于各种因素，性能会有所不同。 模型性能的评定都是在某个数据集上进行的，通常这个数据集被称为 “validation 或 test” 数据集。模型性能的评价常用的指标有：accuracy、precision、recall等。这些指标的选择需要根据应用场景具体而定。对于特定应用，使用合适的评价指标来客观地...
用于yolo计算mAP和PR曲线使用
10-19
用于yolo计算mAP和PR曲线使用，里面有4个python文件，分为python2和python3版本
[实例分割/目标检测评价指标] mAP
qq_17030183的博客
01-24 5345
[1] https://jonathan-hui.medium.com/map-mean-average-precision-for-object-detection-45c121a31173
目标检测指标：IOU、P、R、Recall、ROC、AP、mAP
zhaosuyuan的博客
12-13 1853
*Precision：**精确率，也可认为是查准率，预测的正类中对了几个TP/(TP+FP)，即正确预测正类/(正确预测正类+错误预测正类)=正确预测正类/所有预测正类样本，你猜的全部正类中，查得正确的正类的数量。**Recall：**召回率，也可认为是查全率，全部正类中你猜对了几个TP/(TP+FN)，即预测正确正类/(预测正确正类+预测错误负类)=预测正确正类/所有GT正类样本，理解成正类中召回了多少，查得多全。FN(False Negative)：预测负类，实际正类，即预测错误，和漏检率有关。
扫盲记-第七篇--常见深度学习模型评估指标
weixin_30719711的博客
03-23 1109
深度学习模型评估指标 一个深度学习模型在各类任务中的表现都需要定量的指标进行评估，才能够进行横向的对比比较，包含了分类、回归、质量评估、生成模型中常用的指标。 1 分类评测指标 图像分类是计算机视觉中最基础的一个任务，也是几乎所有的基准模型进行比较的任务，从最开始比较简单的10分类的灰度图像手写数字识别mnist，到后来更大一点的10分类的cifar10和100分类的cifar100，到后来...
目标检测评估指标（ap，map，PR曲线）
weixin_38208912的博客
01-04 3786
目标检测评估指标 1.对于目标检任务，分为单类别和多类别 单类别 AP：(average pression) 多类别 mAP:(mean average precision) 2.计算AP 已知：图片上有N个groundtruth，M个预测的bounding box，以及每个预测目标的confidence step1: 先将bounding box 按照 confidence排序 ste...
P-R曲线与mAP
许进进的博客
06-04 7333
reference：http://blog.csdn.NET/marising/article/details/6543943 在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。 准确率、召回率、F1 信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，...
机器学习之参数-P、R、AP、mAP、F1
AndrewPerfect的博客
07-02 1453
调小的同时增大学习率（learning_rate）是一种常用的策略，旨在保持训练速度的同时提高模型的训练质量。可能使得每次迭代中的噪声增加，从而有助于模型跳出局部最小值；而增大的学习率则有助于模型更快地更新权重。预测样本中实际正样本数。预测样本中实际正样本数。
对P, R, ACC, AP, mAP的理解
cicy5219的博客
05-31 1201
我也举个特殊情况，对于例题中的100次预测，如果我全部预测1次为P，99次为N，可能恰好这个P是预测正确的，即TP = 1, FP = 0, TN = 80, FN = 19。也就是我这么预测，对于预测为正的次数中，我是一击即中，再击没有了，做了回一秒真男人，但是总共有20个正样本，我只找出了1个，所以召回率就低了。前面精准率，召回率，都是关注点在正样本上，但是对于分类任务来说，预测正确与否，不单单是看正样本，负样本你预测为负，那也是一种正确。假如样本数量100，正样本20，负样本80；
box(p r map50 map50-95)为0
08-02
box(p r map50 map50-95)为0指的是在给定条件下，变量box的值为0。根据提供的信息，我们可以解释如下。 首先，显然box是一个变量的名称。这个变量可能表示一个包装盒或容器，也可能表示其他具体的对象或概念。 然后，括号中的元素p和r是box变量的两个参数。这些参数可能是某个函数或过程的输入，用于影响box的计算结果。 接下来，map50和map50-95可能表示两个地图或映射的名称。这些地图可能是用来描述或操作某些数据或信息的工具。由于没有提供更多细节，我们无法确定这两个地图具体代表什么。 最后，由于整个表达式等于0，我们可以推测这可能是一个方程或等式的解或结果。具体而言，这意味着在给定p、r、map50和map50-95的值的情况下，box变量的值为0。 以上是对box(p r map50 map50-95)为0的300字中文回答。
评论 7
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