目标检测中常见指标 - mAP

文章目录

    • [1. 评价指标](#1. 评价指标)
    • [2. 计算示例](#2. 计算示例)
    • [3. COCO评价指标](#3. COCO评价指标)

1. 评价指标

在目标检测领域,比较常用的两个公开数据集:pascal voc和coco。

目标检测与图像分类明显差距是很大的,在图像分类中,我们通常是统计在验证集当中,分类正确的个数除以验证集的总样本数就能得到准确率。

那么对于目标检测,怎么样才能算检测正确呢?

TP(True Positive):IoU>0.5的检测框数量(同一Ground Truth只计算一次)

FP(False Positive):IoU<=0.5的检测框(或者是检测到同一个GT到多余检测框的数量)

FN(False Negative):没有检测到的GT的数量

Precision: T P T P + F P \frac{TP}{TP+FP} TP+FPTP模型预测的所有目标中,预测正确的比例 - 查准率

Recall: T P T P + F N \frac{TP}{TP+FN} TP+FNTP所有真实目标中,模型预测正确的目标比例 - 查全率

AP:P-R曲线下面积

P-R曲线:Precision-Recall曲线

mAP:mean Average Precision,即各类别AP的平均值


2. 计算示例

当我们recall有重复值时,只用保留Precision值最大的信息。

以Recall为横坐标,以Precision为纵坐标,得到PR曲线。

阴影部分的免费则就说AP值,即
A P = 0.57 × 1.0 + ( 0.71 − 0.57 ) × 0.71 = 0.57 + 0.0994 = 0.6694 AP = 0.57\times 1.0 + (0.71-0.57)\times 0.71 = 0.57+0.0994 = 0.6694 AP=0.57×1.0+(0.71−0.57)×0.71=0.57+0.0994=0.6694

这里求的的AP为对应猫这个类别的AP值。使用同样的方法求出其他类别的AP值,最后求出所有类别AP的均值,就得到了mAP。

注意:

在我们所有网络给出的结果都是经过非极大值抑制处理后所得到的目标边界框。


3. COCO评价指标

官网文档:https://cocodataset.org/#detection-eval

相关推荐
对你无可奈何4 分钟前
给 ComfyUI 做了一个手机助手
人工智能
feasibility.1 小时前
英伟达把物理AI的3D模型“应用商店”开放了:2575个SimReady仿真资产,总计约472GB,可让agent装配机器人训练场景
人工智能·3d·机器人·仿真·建模·具身智能·英伟达
智联视频超融合平台2 小时前
消防宣传月过半,“AI+消防“给视频平台换了张考卷
人工智能·边缘计算·视频监控·安防·视频联网
冬奇Lab3 小时前
一天一个开源项目(第262篇):AG-UI —— 把 AI Agent 接进前端的开放协议,和 MCP、A2A 并列的第三块拼图
人工智能·开源
罗西的思考3 小时前
【轻量化复现大模型 / KIMI K3】MTP / EAGLE‑3 模块交互式演示
人工智能·深度学习·算法
RobinDevNotes4 小时前
Claude Code 剪视频,不上传、不要 API Key
人工智能·python·音视频·开发工具·ipython
stormzhangV5 小时前
Coding Agent,通往 AGI 的重要一环
人工智能·agent·ai编程
Bowen_J6 小时前
Apple Foundation Models:Apple AI核心框架
人工智能·ai编程·apple
IT_陈寒6 小时前
Redis那个过期删除策略,差点让我线上崩了
前端·人工智能·后端
阿里云大数据AI技术6 小时前
AI 原生大数据服务 ADA 快速入门:完成首次对话式数据分析
大数据·人工智能