常见深度学习目标检测指标 AP mAP mAP@0.5 mAP@0.5:0.95 简短总结

最新推荐文章于 2025-04-13 01:36:51 发布
最新推荐文章于 2025-04-13 01:36:51 发布
阅读量2.7k 收藏 10
点赞数 2
文章标签： 深度学习 目标检测 人工智能
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_57672347/article/details/134051286
版权
本文介绍了目标检测中的关键指标，包括准确率与召回率的定义，以及AP（平均精度）和mAP（平均交并比精度）的概念，强调了IOU交并比在评估框相关性的重要性。AP通过PR曲线计算，mAP则是各类别的平均值，考虑了不同IoU阈值下的性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目标检测指标计算

准确率 召回率  AP  mAP

1.准确率与召回率

TP 真正例 将正类预测为正类数

FP 假正例 将负类预测为正类数  误检

TN 真负例 将负类预测为负类

FN 假负例 将正类预测为负类     漏检

2.AP

通常情况下 P与R成反比 因此为了更好的衡量模型 引入 AP mAP

AP为PR曲线与坐标轴相交面积

3.IOU交并比

体现框的相关性

两检测框相交与相并之比 ，因此取值范围是（0-1）；

4.mAP

mAP 是各类的AP平均值

mAP@0.5: IoU阈值大于0.5下的mAP

mAP@0.5:0.95

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

深耕半夜
关注
mAP@0.5与mAP@0.5:0.95的含义
thequitesunshine007的博客
11-22 8146
在COCO数据集中，更关注预测框位置的准确性，AP值是针对多个IoU阈值的AP平均值，具体的就是在0.5 和0.95之间取10个IoU阈值(0.5、0.55、0.6 ..... 0.9、0.95)。目标检测问题中，算法通常输出一个预测框(bounding box)来标识检出目标的位置，要衡量这个预测框与目标的实际位置(ground truth)的准确度，可以使用IoU指标。我们如果把所有预测结果对样例进行排序，排在前面的是“最可能”的正例样本，以查准率为纵轴、查全率为横轴作图，得到一条”P-R曲线”。
【深度学习】目标检测的性能评价指标，mAP_0.5，mAP_0.5,0.95,0.05
q742971636的博客
11-07 1万+
计算mAP之前先考虑我们有的数值：图片原label的bbox、模型预测的bbox、模型预测的bbox的置信度、模型预测的bbox中目标类别的分类置信度。此外，我们还需要确定“IoU数值阈值”和“置信度阈值”，模型的预测能满足“IoU数值阈值”与“置信度阈值”（NMS算法）的结果参与最终混淆矩阵计算。精确率和召回率是由混淆矩阵中的数值得到，其中的TP、FP、TN、FN都是会“IoU数值阈值”和“置信度阈值”影响的。目标检测有多个类别，一个类别计算出的AP数值，所有类别平均AP数值称为mAP（
map0.5:0.95是什么
m0_57236802的博客
07-07 2532
mAP@0.5：在 IoU 阈值为 0.5 时计算得到的 mAP，适用于评估模型能否大致定位目标。：在多个 IoU 阈值（从 0.5 到 0.95，步长为 0.05）下计算得到的平均 mAP，提供了更全面和严格的评估标准。计算方法：通过计算不同 IoU 阈值下的 AP，然后取平均值得到 mAP@0.5:0.95。通过理解和计算这些指标，可以更好地评估和改进物体检测模型的性能。
对于目标检测中mAP@0.5的理解
热门推荐
UnknownPlayer的博客
05-05 5万+
文章目录前言mAP@0.5AP是Precision-Recall Curve(PRC)下面的面积！！！理一下思路参考 前言 一直不是很理解目标检测中的mAP是如何的，今天具体来写一下，加深一下理解。 mAP@0.5 mAP@0.5：mean Average Precision 通俗来说，就是给每一类分别计算AP，然后做mean平均。 那AP是什么呢，之前我一直以为是Average Precisio...
吴恩达深度学习复盘(15)精度和召回率
最新发布
wgc2k的博客
04-13 961
当机器学习应用中正负例比例严重失衡（远非 50:50）时，准确性这样的常用评估指标效果不佳。以训练二元分类器检测罕见疾病为例，假设测试集上错误率为 1%（正确率 99%），看似结果很好，但如果疾病罕见（如人群中只有 0.5% 的病人患病），一个简单的总是预测 “Y 等于 0”（即预测无病）的算法，其错误率可能更低（0.5%）。在正负例不平衡的情况下，很难根据准确率判断算法优劣。
YOLO等目标检测模型的非极大值抑制NMS和评价指标(Acc, Precision, Recall, AP, mAP, RoI)、YOLOv5中mAP@0.5与mAP@0.5:0.95的含义
悠悠小船长的博客
04-02 4963
YOLO等目标检测模型的非极大值抑制NMS和评价指标(Acc, Precision, Recall, AP, mAP, RoI)、YOLOv5中mAP@0.5与mAP@0.5:0.95的含义
深度学习中AP、mAP、recall、IoU、NMS的评价指标介绍
weixin_43869605的博客
09-15 8290
1、通过混淆矩阵实例给大家讲解各个指标： 混淆矩阵 预测 0 1 真实 0 TN FP 1 FN TP 真阳率：代表将真实正样本划分为正样本的概率 伪阳率：代表将真实负样本划分为正样本的概率 精确率：precision = TP / (TP + FP) 召回率：recall = TP / (TP + FN) 准确率：accuracy = (TP + TN) ...
【笔记】mAP@0.5与mAP@0.5:0.95的含义YOLO：IoU为0.5时，计算每一类的所有图片的AP，所有类求平均；在不同IoU阈值（从0.5到0.95，步长0.05）上的平均mAP
nyist_yangguang的博客
10-26 3971
神经网络中的评价指标：混淆矩阵、Acc, Precision, Recall, F1分数、mAP@0.5与mAP@0.5:0.95的含义
LIN2020LOVEDA的博客
08-07 2896
神经网络中的评价指标：混淆矩阵、Acc, Precision, Recall, AP, mAP、mAP@0.5与mAP@0.5:0.95的含义
mAP@0.5:0.95是什么
04-12
mAP@0.5:0.95 是一种用于评估目标检测模型性能的综合性指标。具体来说，它是基于多个 IoU（Intersection over Union，交并比）阈值范围内的平均精度均值计算得出的结果。 #### 1. **IoU 阈值** IoU 是衡量预测框与...
map50, map@0.5:0.95,
06-28
回答2：</h3><br/>Map50 和 Map@0.5:0.95 都是常用的评价指标，用于衡量目标检测模型的性能。 首先，Map50 是指在 IoU 阈值为 0.5 时，计算所有预测框和真实框的 IoU 值，如果 IoU 值大于等于 0.5，就将该预测框...
mAP@0.5与mAP@0.5:0.95的含义，YOLO
perfect_ch的博客
06-02 3万+
mAP@0.5：mean Average Precision（IoU=0.5） 即将IoU设为0.5时，计算每一类的所有图片的AP，然后所有类别求平均，即mAP 如图所示，AP50，AP60，AP70……等等指的是取detector的IoU阈值大于0.5，大于0.6，大于0.7……等等。数值越高，即阈值越大，精度越低。 mAP@.5:.95（mAP@[.5:.95]） 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.
mAP@0.5 与 mAP@0.5:0.95 是什么意思，YOLOv5
“365天深度学习训练营”报名进行中～
12-23 2万+
mAP@0.5： mean Average Precision（IoU=0.5） 即将IoU设为0.5时，计算每一类的所有图片的AP，然后所有类别求平均，即mAP 如图所示，AP50，AP60，AP70……等等指的是取detector的IoU阈值大于0.5，大于0.6，大于0.7……等等。数值越高，即阈值越大，精度越低。 mAP@.5:.95（mAP@[.5:.95]） 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.
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 1138
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...
【深度学习项目】目标检测中的常见指标（Precision、Recall、F1 Score、IoU、AP、mAP、COCO指标）
专注上位机开发、机器视觉、机器学习、嵌入式软硬件开发
12-16 8049
平均平均精度（Mean Average Precision, mAP）是目标检测任务中最常用和最全面的性能评估指标之一。它综合考虑了不同类别的检测效果，以及每个类别在不同置信度阈值下的表现。下面将详细解释 mAP 的计算过程及其重要性。
YOLO5单独提取代码计算预测框与类别的Map0.5-0.95
baidu_28342107的博客
03-03 646
import numpy as np def ap_per_class(tp, conf, pred_cls, target_cls, eps=1e-16): """ Compute the average precision, given the recall and precision curves. Source: https://github.com/rafaelpadilla/Object-Detection-Metrics. # Arguments t
深度学习：目标检测的指标AP与mAP是什么
lhzhqq的博客
07-06 2196
在目标检测任务中，通过不同的IoU阈值来进行检测器的整体的性能评估，对于MS COCO目标检测，对于MS COCO关键点检测，官方给出的评价指标为OKS（object keypoints similarity），其评价指标和检测的IoU也很类似，在不同的阈值下来实现整体的性能评估
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