目标检测中常提到的IoU和mAP究竟是什么？

最新推荐文章于 2025-04-14 15:25:47 发布
最新推荐文章于 2025-04-14 15:25:47 发布
阅读量1.1k 收藏 3
点赞数
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/anaijiabao/article/details/101495088
版权
IoU（交并比）衡量预测框与真实框的匹配程度，mAP是各类别平均查准率的平均值，常用于评估目标检测模型性能。计算涉及到P-R曲线、查准率precision、召回率recall以及IoU阈值，mAP考虑了多类别和IoU，是目标检测的重要评估标准。

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

看完这篇就懂了。

IoU

intersect over union,中文：交并比。指目标预测框和真实框的交集和并集的比例。
i20190926085309.png

mAP

mean average precision。是指每个类别的平均查准率的算术平均值。即先求出每个类别的平均查准率(AP)，然后求这些类别的AP的算术平均值。其具体的计算方法有很多种，这里只介绍PASCAL VOC竞赛(voc2010之前)中采用的mAP计算方法，该方法也是yolov3模型采用的评估方法，yolov3项目中如此解释mAP,暂时看不明白可以先跳过，最后再回过头来看就能明白了。
i20190926085603.png

比如我们现在要在一个给定的测试样本集中计算猫这个类别的AP，过程如下：
首先，AP要能概括P-R曲线的形状，其被定义为采用如下公式来计算：
i20190926091615.png

那么，我们先来看看P-R曲线是什么：用蓝色笔迹遮住的部

最低0.47元/天 解锁文章
目标检测-计算IOU，mAP指标
cnjs1994的博客
08-17 542
IoU，全称Intersection over Union，可翻译为交并比，是两个框交集与并集的比值。计算IoU的公式如下图，可以看到IoU是一个比值，即交并比。在分子中，我们计算预测框和ground-truth之间的重叠区域；分母是并集区域，是预测框和ground-truth所包含的总区域。重叠区域和并集区域的比值，就是IoU。
【AI面试】目标检测中one-stage、two-stage算法的内容和优缺点对比汇总
钱多多先森
04-30 1万+
目标检测算法one stage和two stage的对比
mAP与IOU的简单介绍
Jumping boy
06-19 7284
mAP 在评价一个检测算法的时候，主要看两个标准，即是否正确预测了框内的物体类别；预测的框和人工标注框的重合程度。这两个的量化指标分别是mAP（mean Average Precision）和IOU（Intersection Over Union）。 mAP中文翻译过来叫做平均精度均值，其中AP为平均精度（Average Precision），mAP是把每个类别...
YOLO 模型的常用评估指标
最新发布
2301_76503509的博客
04-14 1009
以精确率（Precision）为纵轴、召回率（Recall）为横轴绘制出的曲线，用于直观地展示目标检测模型在不同阈值下精确率和召回率的变化关系。AP 是对 PR 曲线下面积的一种数值化表示，综合考虑了模型在不同召回率水平下的精确率表现，能够全面地反映模型在检测目标物体时的准确性。多个类别物体检测的平均精度（AP）平均后得到的数值，用于综合衡量目标检测模型在不同类别物体上的检测准确。：表示实际为正样本，且模型也正确地将其预测为正样本的数量。在模型预测为正例的样本中，真正为正例的样本所占的比例。
《目标检测》——基础理论知识（目标检测的数据集、评价指标：IOU、mAP、非极大抑制NMS）
qq_59702185的博客
11-08 1644
Annotations下存放的是xml⽂件,描述了图⽚信息，如下图所示，需要关注的就是节点下的数据,尤其是bndbox下的数据.xmin,ymin构成了boundingbox的左上⻆,xmax,ymax构成了boundingbox的右下⻆，也就是图像中的⽬标位置信息。NMS的原理是对于预测框的列表B及其对应的置信度S,选择具有最⼤score的检测框M,将其从B集合中移除并加⼊到最终的检测结果D中.通常将B中剩余检测框中与M的IoU⼤于阈值Nt的框从B中移除.重复这个过程,直到B为空。
【目标识别学习笔记系列】附录一、评价指标（Iou，mAP，Fps）
zl3090的博客
09-17 1万+
一、交并比    物体检测需要定位出物体的bounding box，就像下面的图片一样，我们不仅要定位出车辆的bounding box 我们还要识别出bounding box 里面的物体就是车辆。对于bounding box的定位精度，有一个很重要的概念，因为我们算法不可能百分百跟人工标注的数据完全匹配，因此就存在一个定位精度评价公式：IOU。 IOU定义了两个bounding box的重...
目标检测中的Iou与map指标详细介绍（零基础）
Weary_PJ的博客
03-01 4606
目标检测中的Iou与map指标的计算 IOU 下图中Ground truth为标记的正确框,Prediction为预测的框 显然, 我们需要一个指标来评估预测的准确率 就如同在分类任务中的accurate一样明星 目标检测任务中的IOU指标就反应了类似的效果 IOU的计算方法很简单,就是两框的交集与两框的并集之比, 很显然IOU的值越高越好 精度,召回与map 具体关于精度与找回的介绍与手写推导可以看我之前关于学习西瓜书中模型评价指标的文章 一起学西瓜书02 模型评估与选择 这里举个简单的例子来回顾一
目标检测模型的评价指标 mAP
黑暗星球
09-02 8044
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...
map评价吗 voc数据集可以用coco_目标检测评价指标(mAP)
weixin_33601402的博客
02-17 1615
常见指标precision 预测出的所有目标中正确的比例 (true positives / true positives + false positives).recall 被正确定位识别的目标占总的目标数量的比例 (true positives/(true positives + false negatives)).一般情况下模型不够理想，准确率高、召回率低，或者召回率低、准确率高。如果做疾病...
目标检测中的长尾分布问题：Decoupling解决方案
AI 领航者的博客
04-10 1061
目标检测在自动驾驶、安防监控、智能医疗等众多领域有着广泛的应用。然而，现实世界中的数据往往呈现出长尾分布的特征，即少数类别拥有大量的样本，而多数类别只有少量的样本。这种数据不平衡的情况会导致目标检测模型在训练过程中更倾向于学习样本数量多的类别，而对样本数量少的类别学习不足，从而严重影响模型的整体性能。
IOU与mAP
qq_44186052的博客
03-22 502
1.IOU 定义：交并比；预测的边框和真实的边框的交集与并集比例 引用：目标检测之 IoU_黑暗星球的博客-优快云博客_目标检测iou 2.mAP（Precision/recall） （VOC和COCO是两个目标检测的数据集,且在VOC中，我们认为IOU>0.5即为TP） 常规的mAP计算为（这是一个N类检测任务）： 1、计算单张图片中class1的精度P（VOC默认IOU大于0.5即为TP，COCO稍复杂些，下文再说） 2、循环所有测试集图片，重复1过程求所有图片P的均值即为cla.
YOLO 模型的评估指标——IOU、Precision、Recall、F1-score、AP、mAP、
m0_73731663的博客
06-11 4990
置信度用于评估模型对检测结果的信心程度下图中，绿色框A表示Ground Truth，也称GT，GT就是正确的标注（人工）iou：表示预测的边界框（或分割区域）与真实边界框（或分割区域）之间的交集与并集之间的比值。阈值：根据实际情况可调节如果预测框与真实框的IOU > 0.5，那么此预测框归为TP如果0 < IOU <= 0.5，那么此预测框归为FP如果IOU < 0 ，那么此预测框归为 FN检测到同一个GT的多余检测框也归为FP，怎么解 释呢？
分类评价指标、目标检测评价指标(AUC,IOU,mAP等)
Black eyes的博客
03-31 9274
文章目录定位准确率IOU识别精度precisionrecallAPmAPP-R曲线速度 定位准确率 IOU 定位准确率可以通过检测窗口与我们自己标记的物体窗口的重叠度，即交并比，即Intersection-Over-Union(IOU)进行度量。设标记窗口为 A ，检测窗口为 B ，则 IOU 的计算公式如下： IOU=A⋂BA⋃B IOU=\frac{A\bigcap B}{A\bigcup B...
深度学习笔记（八）：目标检测性能评价指标（mAP、IOU..）
热门推荐
小熊猫的博客
07-26 5万+
一、mAP 　　这里首先介绍几个常见的模型评价术语，现在假设我们的分类目标只有两类，计为正例（positive）和负例（negtive）分别是： 　　1）True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）； 　　2）False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；...
目标检测指标IOU和mAP
qq_40107571的博客
12-30 1588
目标检测指标IOU和mAP
【目标检测必学】快速理解IOU、Recall、Precision、AP、mAP检测指标
qq_45193872的博客
03-03 7991
学习目标： 总结了几篇个人认为深入浅出的目标检测性能指标相关博客，希望通过这次笔记能帮助到还不理解的同学！ **理解目标检测中常用的性能检测指标mAP、IOU、Recall、Precision,**通过约30分钟的阅读深刻理解并掌握这几个常见指标的运用。
最易懂的解释：目标检测中的评估指标（IoU，AP，mAP）
qq_58484580的博客
07-06 1375
IoU是用来衡量两个box的重合度的，值越大重合度越高，求法简单来说就是交集/并集。
机器学习、深度学习评价指标汇总：TP、TN、FP、FN、AP、mAP、IoU、mAP@3、Prec@10、 Acc@10
buyaotutou的博客
10-10 2299
真正例 (True Positive, TP)模型正确地将正类（例如，某种疾病存在）预测为正类的实例数量。假正例 (False Positive, FP)模型错误地将负类（例如，某种疾病不存在）预测为正类的实例数量。这通常被称为“误报”。真负例 (True Negative, TN)模型正确地将负类预测为负类的实例数量。假负例 (False Negative, FN)模型错误地将正类预测为负类的实例数量。这通常被称为“漏报”。真正例和真负例反映了模型的正确预测能力。假正例和假负例。
一起理解目标检测指标 --- 交并比IoU、平均精度AP、mAP
SpaceSunflower 's ML/DL home
12-05 1276
【一起理解】目标检测指标 --- 交并比IoU、平均精度AP、mAP
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