目标检测中的mAP

最新推荐文章于 2025-03-31 10:20:31 发布
最新推荐文章于 2025-03-31 10:20:31 发布
阅读量1.3w 收藏 99
点赞数 26
分类专栏： 目标检测 文章标签： 目标检测 计算机视觉 mAP
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.youkuaiyun.com/HUAI_BI_TONG/article/details/121212733
版权

  要计算mAP必须先绘出各类别PR曲线，计算出AP。而如何采样PR曲线，VOC采用过两种不同方法。
  在VOC2010以前，只需要选取当Recall >= 0, 0.1, 0.2, …, 1共11个点时的Precision最大值，然后AP就是这11个Precision的平均值。
  在VOC2010及以后，需要针对每一个不同的Recall值（包括0和1），选取其大于等于这些Recall值时的Precision最大值，然后计算PR曲线下面积作为AP值。

  • AP&mAP
    mAP：mean Average Precision，即各类别AP的平均值
    AP：PR曲线下面积
  • PR曲线
    PR曲线：Precision-Recall曲线
    Precision（查准率）：TP / (TP + FP)
    Recall（查全率）：TP / (TP + FN)

在这里插入图片描述

  • TP、FP、FN、TN
    TP（True Positive）：IoU > IoU t h r e s h o l d _{threshold} threshold​（IoU t h r e s h o l d _{threshold} threshold​一般取 0.5）的检测框数量（同一Ground Truth只计算一次）
    FP（False Positive）：IoU <= IoU t h r e s h o l d _{threshold} threshold​的检测框，或者是检测到同一个GT的多余检测框的数量
    FN（False Negative）：没有检测到的GT的数量
    TN（True Negative）：在mAP评价指标中不会使用到
    在这里插入图片描述
  • 交并比（I
最低0.47元/天 解锁文章
目标检测中的MAP的计算（逐步推导）
justsolow的博客
05-21 3464
目标检测中的MAP的计算（逐步推导） 概念介绍 首先放一下前面一篇博文中提到的precision和recall的计算公式和概念。 P(precision) = TP/(TP+FP) 在目标检测中就是检测出的所有框中预测正确的比例。 R(recall) = TP/(TP+FN) 在目标检测中就是所有的ground truth（不懂ground truth的自行百度，简单点就是你的训练数据中事先标注好的bboxes）中检测出来的部分所占的比例。 我们假设一个场景，一共有两张图片，有两个类别，一个类别是人一个类别
目标检测中mAP超详细解释
chris_xy的博客
11-12 8304
IOU (Intersection Over Union, 交并比) IOU指真实框和预测框之间交集和并集的比，假设这里有真实框BgtB_{gt}Bgt​和预测框BpB_pBp​，那么 IOU计算公式如下： IOU=area(Bp∩Bgt)area(Bp∪Bgt) IOU=\frac{area(B_p\cap B_{gt})}{area(B_p\cup B_{gt})} IOU=area(Bp​∪...
目标检测指标mAP详解
qq_38375203的博客
06-21 2万+
相信刚刚接触目标检测的小伙伴也是有点疑惑吧，目标检测的知识点和模型属实有点多，想要工作找CV的话，目标检测是必须掌握的方向了。我记得在找实习的时候，面试官就问到了我目标检测的指标是什么，答：mAP！问：mAP是什么？我：.......!☺所以在本文中我也是详细说一下mAP 的含义，有什么不对的或者不全的欢迎大家指正！mAP是mean of Average Precision的缩写，意思是平均精确度（average precision）的平均（mean），是object detection中模型性能的衡量标准
【计算机视觉 | 目标检测】目标检测中的评价指标 mAP 理解及计算（含示例）
luoganttcc的博客
03-31 1252
Precision 的计算公式为：Precision = TP / (TP + FP)，其中 TP 是真正的正样本数量，FP 是将负样本错误地标记为正样本的数量。然后对于某一张测试集图片，我们计算在该图片上 person 类的预测边界框与 GT 边界框重叠程度（即 IoU），如果 IoU 大于设定阈值（IoU 阈值的典型值为0.5）则将该边界框标记为 TP，否则标记为 FP。（注意当我们计算 person 的 AP 时就只关注这一类的边界框，不考虑其他类的，即使该图片中存在如 dog 类的 GT 边界框。
目标检测中的MAP（无抄袭）
Elva_23的博客
10-23 2864
（个人理解，如果写的有问题可以留言交流） 转载请标明出处！！！！！谢谢！ 参考链接（内含代码）：https://github.com/rafaelpadilla/Object-Detection-Metrics 人家写的比我好，我只是用中文把理论小总结一下，懒得看英文的可以看一下我的。 1.基础定义 a.交并比 真实框：绿色的；检测框：红色的。 b.True Positive...
目标检测之mAP
zcm0126的博客
06-01 955
TP：真正，真阳性，实际为正例，预测也为正例； FP：假正，假阳性，实际为负例，预测为正例； TN：真负，真阴性，实际为负例，预测也为负例； FN：假负，假阴性，实际为正例，预测为负例 ...
目标检测mAP计算代码
11-24
目标检测是计算机视觉领域中的一个核心任务，它的目的是在图像中定位并识别出特定的物体。在评估目标检测算法性能时，Mean Average Precision (mAP) 是一个关键指标。mAP计算代码通常用于验证和比较不同检测算法的...
目标检测指标mAP python测试代码实现.zip
09-05
目标检测（Object Detection）是计算机视觉领域的一个核心问题，其主要任务是找出图像中所有感兴趣的目标（物体），并确定它们的类别和位置。以下是对目标检测的详细阐述： 一、基本概念 目标检测的任务是解决“在...
目标检测中mAP的意义
08-16 3005
在目标检测任务中一般都是使用mAP（mean average precision）作为评价指标。 维基百科中对mAP的解释是： 翻译过来放在目标检测中是什么意思呢？分为三步解释： （1）计算P(q) 大家都知道目标检测中每张图中可能有多个类别C，那么式中的P(q)其实就是某一张图中某一类的precision。   ,就是检测出来的结果中真正属于这一类的比例。 （2）AveP(q) ...
目标检测——mAP
qq_25379821的博客
09-27 863
mean Average Precision 对于一张图片中的c类目标 算法检测出来 T 个c类的目标 而真值是 TP+FN 个c类的目标 检测结果中有 TP 个结果和真值的 IOU 达到某个设定的阈值 那么Precision定义为： 对所有图片求平均得到Average Precision 的定义值： 对所有类求平均就得到mean Average Precision的定义值：...
目标检测中map的计算
RookiChen的博客
02-23 1万+
如何评估一个训练好模型的好坏，是目标检测中一个很重要的因素，如常见的TP、FP、AP、PR、map等，这些概念很容易混淆，搞了两天才搞明白，写一篇博客总结一下
目标检测map理解
scut_salmon的博客
07-18 2229
1. MAP的物理意义 平均精度的意义是将各个召回率下准确率取平均，这个平均准确率可以衡量目标检测模型的性能，却不能直观地知道实际测试时特定置信度下准确率和召回率。只考虑大于特定置信度阈值下的正检和错检，可得到相应的准确率和召回率 2. MAP的计算方法 map即平均精度均值，平均精度，也就是平均准确率，把准确率取个平均。把哪几个准确率取平均呢，接下来将阐述是把哪几个准确率取平均，以及这些...
目标 检测：mAP
Wei_sx的博客
02-17 1441
概念：mAP是针对多类别目标检测任务的一种综合评估指标。它通过计算每个类别的平均精度（AP），然后得到所有类别AP的平均值，从而衡量模型在所有类别上的整体性能。重要性：mAP被广泛应用于各大目标检测的基准数据集（如COCO、PASCAL VOC等），因为其提供了更全面、更细致的性能评估方式，能够反映模型在多个类下的表现差异和优势。
目标检测指标--mAP
袋鼠袋袋的博客
11-23 1010
目标检测指标--mAP必备小知识为什么要使用mAP如何计算mAP代码 我们都知道在目标检测任务中，常用的指标有mAP，那么我们在进行目标检测时为什么要使用mAP这个指标？什么是mAP呢？ 必备小知识 IoU IoU(Intersection-over-Union)表示目标真实框与预测框的交并比，如下图所示：PB表示预测框，GT表示真实框 IoU=PB∩GTPB∪GT IoU = \frac{PB∩GT}{PB∪GT} IoU=PB∪GTPB∩GT​ TP FP FN 以上三个词大家初看可能容易
目标检测MAP值
热门推荐
bestrivern的博客
08-05 2万+
一.概述 目标检测问题中的每个图片都可能包含一些不同类别的物体。如前所述，需要评估模型的物体分类和定位性能。因此，用于图像分类问题的标准指标precision不能直接应用于此。 这就是为什么需要mAP。 对于任何算法，评估指标需要知道ground truth（真实标签）数据。 我们只知道训练、验证和测试数据集的ground truth。对于目标检测问题，ground truth包括图像...
目标检测mAP
luoyehuixuanaaaa的博客
05-13 349
TP：预测为正，实际为正 FP：预测为正，实际为负 FN：预测为负，实际为正 TN：预测为负，实际为负 precision = TP / (TP + FP) recall = TP / (TP + FN) TP：该predicted bounding box与当前结果所在图像的所有gt bounding box的最大IoU大于阈值，且该gt bounding box还未被匹配。 ...
目标检测map代码分析
zhuangyuan7838的博客
08-07 1110
统计各个类别的所有框的json：airplane_dr.json，遍历所有预测框，把该类别的所有框都写进来，格式是{“confidence”:confidence, “file_id”:file_id, “bbox”:bbox，经过按照confidence从高到低排序。根据ap的计算公式可以看到，rec没有变化的区间内，区间内取准确率是取最后的索引值(讲道理应该取最大的啊，也就是mpre[]i-1才对嘛)也就意味着，置信度低的框，其tp的个数统计趋于平稳，fp会增加。将召回率前面加个0，后面加个1。
深度学习-目标检测中的mAP计算
sykai1的博客
08-08 1568
谨以本文记录深度学习入门过程中学习的目标检测常见指标，如有错误还请朋友不吝指教！ 目标检测评价指标——mAP 如上图所示，绿颜色的为GT Box，红颜色的Predict Box。如果要正确检测出图中的猫和狗，那怎么才能算是正确的检测呢?下边的这三个标准是都需要看的： GT与预测框的IoU是否大于阈值？ 预测的类别是否正确？ 置信度是否大于阈值？ 交并比（IoU，Intersection over Union） IoU的作用是评价两个矩形框之间的相似性，在目标检测中是度量两个检测框的交叠程度。计
目标检测中mAP解释
最新发布
05-27
### mAP 的定义 mAP 是 mean of Average Precision 的缩写，表示平均精确度（Average Precision, AP）的均值。它是目标检测领域中用于衡量模型性能的重要指标[^3]。由于目标检测不仅涉及分类还涉及定位，传统的分类准确性（Accuracy）无法全面反映模型的表现，因此引入了 mAP 这一更加复杂的评价标准。 --- ### 查准率（Precision）和查全率（Recall） 为了更好地理解 mAP，需先了解 Precision 和 Recall： - **Precision (查准率)**：指的是预测为正类的样本中有多少是真正的正类。 \[ \text{Precision} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Positives}} \] - **Recall (查全率)**：指的是所有真实正类中有多少被正确预测出来。 \[ \text{Recall} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Negatives}} \] 这两个指标共同构成了 PR 曲线的基础[^3]。 --- ### 平均精确度（AP）的计算方法 对于某一特定类别，通过绘制 Precision-Recall （PR）曲线来计算该类别的 AP 值。具体步骤如下： 1. 预测结果按置信度（Confidence Score）降序排列。 2. 对每一个预测框，判断其是否为 True Positive 或 False Positive，基于预设的 IoU（Intersection over Union）阈值。 3. 计算不同召回率（Recall）下的精度（Precision），并形成 PR 曲线。 4. 使用数值积分法（如梯形法则）求解 PR 曲线下面积作为 AP 值[^1]。 某些数据集（如 COCO 数据集）会进一步扩展此定义，在不同的 IoU 阈值下分别计算 AP，并取这些 AP 的加权平均值。 --- ### 多类别场景下的 mAP 计算 在多类别目标检测任务中，针对每一类别独立计算其对应的 AP 值，随后将各类别 AP 取平均值得到最终的 mAP 值。例如，若有 \( N \) 类，则： \[ \text{mAP} = \frac{1}{N} \sum_{i=1}^{N} \text{AP}_i \] 其中，\( \text{AP}_i \) 表示第 \( i \) 类别的 AP 值[^4]。 需要注意的是，部分评估体系可能会考虑额外因素，例如对象尺寸分组或多种 IoU 阈值组合，从而得到更为严格的 mAP 定义。 --- ### 示例代码实现 以下是 Python 实现的一个简化版 mAP 计算逻辑： ```python def calculate_ap(precisions, recalls): """ Calculate the average precision given lists of precisions and recalls. Args: precisions (list): List of precision values at different thresholds. recalls (list): Corresponding list of recall values. Returns: float: The computed average precision value. """ ap = 0.0 previous_recall = 0.0 # Sort by increasing recall order sorted_indices = sorted(range(len(recalls)), key=lambda k: recalls[k]) precisions_sorted = [precisions[i] for i in sorted_indices] recalls_sorted = [recalls[i] for i in sorted_indices] for idx in range(1, len(sorted_indices)): delta_recall = recalls_sorted[idx] - previous_recall max_precision = max(precisions_sorted[:idx+1]) # Interpolate maximum precision ap += delta_recall * max_precision previous_recall = recalls_sorted[idx] return ap def calculate_map(ap_per_class): """ Compute Mean Average Precision from per-class APs. Args: ap_per_class (dict): Dictionary mapping class names to their respective AP scores. Returns: float: Final calculated mAP score across all classes. """ total_classes = len(ap_per_class) sum_aps = sum(ap_per_class.values()) map_score = sum_aps / total_classes if total_classes != 0 else 0.0 return map_score ``` ---
评论 3
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