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 voccoco

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
聽雨23712 分钟前
03每日简报20250705
人工智能·社交电子·娱乐·传媒·媒体
二川bro31 分钟前
飞算智造JavaAI:智能编程革命——AI重构Java开发新范式
java·人工智能·重构
acstdm36 分钟前
DAY 48 CBAM注意力
人工智能·深度学习·机器学习
澪-sl1 小时前
基于CNN的人脸关键点检测
人工智能·深度学习·神经网络·计算机视觉·cnn·视觉检测·卷积神经网络
羊小猪~~1 小时前
数据库学习笔记(十七)--触发器的使用
数据库·人工智能·后端·sql·深度学习·mysql·考研
摸爬滚打李上进1 小时前
重生学AI第十六集:线性层nn.Linear
人工智能·pytorch·python·神经网络·机器学习
HuashuiMu花水木1 小时前
PyTorch笔记1----------Tensor(张量):基本概念、创建、属性、算数运算
人工智能·pytorch·笔记
lishaoan771 小时前
使用tensorflow的线性回归的例子(四)
人工智能·tensorflow·线性回归
AI让世界更懂你2 小时前
【ACL系列论文写作指北15-如何进行reveiw】-公平、公正、公开
人工智能·自然语言处理
牛客企业服务3 小时前
2025年AI面试推荐榜单,数字化招聘转型优选
人工智能·python·算法·面试·职场和发展·金融·求职招聘