深度学习中的mAP

于 2024-11-16 22:04:18 发布
阅读量2.7k 收藏 16
点赞数 5
分类专栏： Deep Learning 文章标签： 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/fengbingchun/article/details/143824140
版权

      在深度学习中，mAP是指平均精度均值(mean Average Precision)，它是深度学习中评价模型好坏的一种指标(metric)，特别是在目标检测中。

      精确率和召回率的概念：

      (1).精确率(Precision)：预测阳性结果中实际正确的比例(TP / Total Predictions)，预测正确的百分比，取值范围是[0, 1]。

      (2).召回率(Recall)：实际正样本中被正确预测的比例(TP / Total Ground Truths)，取值范围是[0, 1]。在目标检测任务中，mAP能够综合考虑模型在不同召回率下的性能，从而更全面地评估模型的检测能力。

      P-R曲线就是表示召回率和精确率之间关系的曲线图：如下图所示

      它们的数学定义如下：

      IoU(Intersection over Union，交并比)：是量化两个区域重叠程度的指标，取值范围[0, 1]。我们用它来测量预测边界与真实(ground truth)目标边界的重叠程度，如下图所示：借助IoU阈值，我们可以判断预测是真阳性、假阳性还是假阴性(True Positive, False Positive, or False Negative)。在目标检测中，预测(TP、FP或FN)的正确性是在IoU阈值的帮助下决定的。而在目标分割中，它是通过参考Ground Truth像素来决定的。Ground Truth表示已知目标。

      AP(Average Precision，平均精度)：计算召回率在0到1之间的平均精度值。Average Precision is not the average of Precision。为简单起见，我们可以说它是精度率--召回率曲线(precision-recall curve)下的面积。AP是按类别计算的。

      (1).11点插值法计算AP：11点插值法是在2007年PASCAL VOC挑战赛中引入的。其中，精确率值记录在11个等距召回率值中。以这种方式对精确率/召回率曲线进行插值的目的是减少由于样本排名(ranking of examples)的细微变化而导致的精确率/召回率曲线中的"摆动(wiggles)"的影响。实际上，评估数据集(evaluation dataset)非常巨大，当我们绘制所有预测的图表时，相邻点之间的差异将非常小。因此，11个点插值足以比较两个模型。

      (2).101点插值法计算AP：MS COCO于2014年引入了101点插值AP。它是P-R曲线下AUC(Area Under the Curve)的更好近似值。

      目标检测中计算AP步骤：

      (1).使用模型生成预测分数(置信度)

      (2).将预测分数转换为类标签

      (3).由TP、FP、FN计算精确率和召回率

      (4).计算精度率--召回率曲线下的面积。

      (5).计算AP。

      mAP：在多类别的目标检测任务中，还会计算所有类别AP的平均值，即mAP。mAP = 1/n * sum(AP)，n是类别数

      (1).mAP50：IoU阈值为0.5时的mAP值。

      (2).mAP50-95：IoU阈值从0.5到0.95(步长为0.05)范围内的mAP值，然后计算平均值。

      注：以上整理内容及原图主要来自于以下博文

      https://jonathan-hui.medium.com

      https://learnopencv.com

      GitHub：https://github.com/fengbingchun/NN_Test

深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 33万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
机器学习性能评估指标之​AP（平均精度）​ 和 ​MAP（平均精度均值）
最新发布
浩瀚之水的专栏
03-24 2490
在目标检测、信息检索和多分类任务中，​AP（Average Precision，平均精度）​ 和 ​MAP（Mean Average Precision，平均精度均值）​ 是衡量模型排序质量和类别区分能力的重要指标。
【深度学习小常识】什么是mAP？
04-13 1万+
目录 一、mAP相关概念 1、正例与负例 2、P（精确率） 3、R（召回率） 4、ACC（准确率） 5、AP（平均精确度） 6、示例 二、mAP 1、mAP简介 2、P—R曲线 学习深度学习，总会有各种各样的概念，对于刚入门的小白来说，真的是越看越迷糊。比如我们今天要说的，什么是mAP？于是我问了一下度娘… 看完这个之后，我的表情是这样的 我们看相关论文的时候，很明显啊，这个东东和地图有什么关系？ 所以到底什么是我们在深度学习论文中所说的mAP呢？ 一、mAP相关概念 首先要给大家介绍几个常见的模型评
深度学习图像处理（分类or检测）中结果的评价方法-mAP简介
Mingjian_LI的博客
01-13 1万+
多标签图像分类（Multi-label Image Classification）任务中图片的标签不止一个，因此评价不能用普通单标签图像分类的标准，即mean accuracy，该任务采用的是和信息检索中类似的方法—mAP（mean Average Precision）。mAP虽然字面意思和mean accuracy看起来差不多，但是计算方法要繁琐得多。 P-R曲线的绘制
深度学习中Map的概念
不爱读书的小孩-博客
11-21 4043
mAP定义及相关概念 P precision，即 准确率 。 解释：10张图片，每张都有狗、猫，识别到里面有狗也有猫，两者皆有，准确率就高 R recall，即 召回率 。 解释：10张图片，每张都有狗、猫，识别到有狗，召回率就高 mAP: mean Average Precision, 即各类别AP的平均值 AP: PR曲线下面积，后文会详细讲解 PR曲线: Precision...
深度学习mAP
Rain
01-14 1万+
mAP，其中代表P（Precision）精确率。AP（Average precision）单类标签平均（各个召回率中最大精确率的平均数）的精确率，mAP(Mean Average Precision)所有类标签的平均精确率。 1.准确率(accuracy)、精确率(Precision)、召回率(Recall) 准确率(accuracy),精确率(Precision)和召回率(Recall)是信...
【深度学习】——模型评估指标MAP计算&实例计算
python_AI_fans的博客
05-24 5308
目录 理论知识： 推导： 理论知识： 参考up主《睿智的目标检测20——利用mAP计算目标检测精确度》 推导：
深度学习——mAP 计算
u014798590的博客
01-03 3823
0、引言 本文仅作为学习mAP相关知识点的记录，主要参考博文为Bubbliiiing大佬所创作的以及百度飞桨相关在线课程，在此表示感谢 睿智的目标检测20——利用mAP计算目标检测精确度 1、IoU（交并比） 在中学数学中，我们学习了交集、并集，而在深度学习中，使用交并的概念设计了交并比IoU用以评估预测质量，简单来说就是计算预测框与标注框的交集面积、并集面积，当IoU值越大时，则表明预测结果与标注结果越接近。公式如下图所示： 2、Precision（准确率） T是True； F是False； P是
动手学习深度学习——目标检测指标mAP原理及举例
Lavendelion的博客
02-21 2659
mAP原理及举例1). mAP相关概念2). 以图像检索mAP为例3). 目标检测中的mAP案例4). 总结5). 代码实现   文中如有错误，或您有不同的看法，请评论中指出讨论，谢谢。 概念：   得到检测算法的预测结果后，需要对pred bbox与gt bbox一起评估检测算法的性能，涉及到的评估指标为mAP，那么当一个pred bbox与gt bbox的重合度较高（如IoU score &g...
deep-learning-map:深度学习地图和论文笔记
04-29
深度学习图 深度学习地图和论文笔记。 数学以呈现。 （ ） 注意（2018年6月13日） ：我正在修订列表以围绕更有意义的问题构建它们。 列表（以前的版本）可以在目录previous-lists 。 自述内容： 该回购的内容 深度学习图的愿景 总结 涵盖的主题（在DL地图中） 推荐的深度学习资源 现有的存储库，其中包含有关机器学习的论文摘要 时事通讯 其他资源 发展须知 0.此仓库的内容 论文摘要： summaries/ 有关详细信息，请参见本自述文件中的“摘要”部分。 词汇表 glossary.md 所有进行中的作品 basics-glossary.md 带有LaTeX方程的版本： basics-glossary.ipynb ai-safety-glossary.md 清单 注意：其中许多仅是我自2017年12月以来在阅读中遇到的项目，因此这些列表并不代表我对“最重要的数
6.SSD求出map精度.zip--深度学习文章6
06-04
--Tensorflow+SSD+Yolo（目标检测）文章6.SSD求出map精度 该资源是本篇文章的操作步骤以及参考帖子的截图，以防参考帖子失效。
【深度学习】mAP (Mean Average Precision)
热门推荐
JNing
01-02 6万+
【深度学习】mAP (Mean Average Precision)
转载——神经网络中mAP相关概念
zhaodeming000的博客
10-12 7489
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。 ...
深度学习中mAP的含义
martinkeith的博客
07-10 9154
转自：https://blog.youkuaiyun.com/shuiyixin/article/details/86349643 一、mAP相关概念 首先要给大家介绍几个常见的模型评价术语， 1、正例与负例 现在假设我们的分类目标只有两类，计为正例（positive）和负例（negtive），然后我们就能得到如下的四种情况： （1）True positives(TP):被正确地划分为正例的个数，即...
map0.5:0.95是什么
m0_57236802的博客
07-07 2601
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。
MAP公式
03-22
### mAP公式及其意义 mAP（mean Average Precision）是一种广泛应用于目标检测任务中的评价指标，用于衡量模型的整体性能。其核心在于综合考虑查准率（Precision）和查全率（Recall），并通过计算多个类别上的平均精度来得出最终的结果。 #### 1. 基本概念 查准率（Precision）定义为预测为正类的样本中有多少比例确实是正类： \[ \text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}} \] 其中 TP 是真正例数，FP 是假正例数[^2]。 查全率（Recall）则表示实际为正类的样本中有多少被成功识别出来了： \[ \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}} \] 其中 FN 表示漏检的正类数量[^3]。 #### 2. AP 的计算方式 对于单个类别而言，Average Precision (AP) 可以通过绘制 Precision-Recall 曲线并计算曲线下面积得到。具体来说： 给定一组按置信度排序的预测框，依次计算不同阈值下的 Precision 和 Recall 值，并将其绘制成曲线。随后采用梯形积分的方式近似求解该区域面积： \[ \text{AP} = \sum_{i=1}^{n-1}\left(r_{i+1} - r_i\right)\cdot P_{inter}(r_i+1) \] 这里 \(r_1, r_2,\dots,r_n\) 对应的是按照升序排列的不同召回率点；\(P_{inter}(r_i+1)\) 则代表对应区间的插值精度。 #### 3. mAP 的定义 当面对多分类问题时，则需分别针对每一类单独计算各自的 AP 后再取均值作为整体表现评分即所谓的 mean Average Precision(mAP)，表达如下所示： \[ \text{mAP}=\frac {1}{N_c }\sum _c ^{} {\text{AP}_c } \] 此处 \(N_c\) 表明总共有 C 种不同的物体种类数目[^1]。 #### 4. 实际应用案例分析 以下是基于 Python 编写的简单实现版本展示如何手动完成上述过程的一部分逻辑操作: ```python def compute_ap(recalls, precisions): """Compute the average precision from lists of recalls and precisions.""" # Append sentinel values at both ends. recalls = np.concatenate(([0.], recalls, [1.])) precisions = np.concatenate(([0.], precisions, [0.])) # Ensure precision is non-increasing by taking maximum per recall value. for i in range(len(precisions)-2,-1,-1): precisions[i]=max(precisions[i],precisions[i+1]) # Calculate area under PR curve using trapezoidal rule. ap=np.sum((recalls[1:]-recalls[:-1])*(precisions[1:]+precisions[:-1])/2.) return ap # Example usage with dummy data points representing different thresholds' results. example_recall=[0., 0.1, 0.2, ... ,1.]; example_precision=[...]; ap_result=compute_ap(example_recall,example_precision); print(f"The computed AP result equals to:{ap_result}") ``` 此函数接收两个列表参数 `recalls` 和 `precisions` 来模拟真实场景下产生的数据序列进而估算出相应的 AP 数值大小。 ---
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