深度学习图像处理（分类or检测）中结果的评价方法-mAP简介

最新推荐文章于 2025-10-06 00:23:23 发布
原创 最新推荐文章于 2025-10-06 00:23:23 发布 · 1.6w 阅读 · 30 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习

深度学习中的多标签图像分类任务采用mAP作为评价标准，而非mean accuracy。mAP通过计算P-R曲线、AP及平均AP来评估模型性能。文章详细介绍了P-R曲线的绘制、AP的计算以及mAP的计算过程。

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

  1. 用训练好的模型得到所有测试样本的confidence score，本例中某一类有20个测试样本。（每一类的P-R曲线、AP均单独计算）
    这里写图片描述
  2. 对该类的confidence score排序，得到：
    这里写图片描述
  3. 计算top-1到top-N（N是所有测试样本个数，本文中为20）对应的precision和recall，这两个标准的定义如下：
最低0.47元/天 解锁文章
天之苍sky
关注
深度学习中的mAP
C/C++、嵌入式开发、深度学习算法、模型部署与推理优化
02-05 8321
我们在评价一个模型好坏的时候，经常会用到mAP,下面整理下对这个概念的理解， 1.TP TN FP FN 首先是TP TN FP FN的概念。 T或者N代表的是该样本是否被分类分对，P或者N代表的是该样本被分为什么 TP（True Positives）：意思我们倒着来翻译就是“被分为正样本，并且分对了”， TN（True Negatives）：意思是“被分为负样本，而且分对了”， FP（False Positives）：意思是“被分为正样本，但是分错了”， FN（False Negativ
深度学习系列之 mAP
LeeWanzhi的博客
03-15 9663
mAP：mean Averge Precision，作为object detection中衡量检测精度的指标。 在目标检测中，每一类都可以根据recall和precision绘制P-R曲线，AP就是该曲线下的面积。而mAP就是所有类AP的平均值。 Recall：召回率 召回率也叫查全率，是你预测的样本中实际的正样本数 / 所有的正样本数，所以为了提高召回率，可以多预测。 eg：有1...
深度学习中Map的概念
不爱读书的小孩-博客
11-21 4083
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...
深度学习简介（Deep Learning）
最新发布
A5522000的博客
10-06 1433
深度学习（Deep Learning）是机器学习的分支，是一种以人工神经网络为架构对数据进行特征学习的算法。深度学习中的形容词“深度”是指在网络中使用多层。深度学习核心思想是通过模仿人脑的神经网络来处理和分析复杂的数据，从大量数据中自动提取复杂特征，擅长处理高维数据，如图像、语音和文本。
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
【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)
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 5437
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：
深度学习中mAP的含义
martinkeith的博客
07-10 9350
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...
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
map0.5:0.95是什么
m0_57236802的博客
07-07 2979
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。
深度学习——mAP 计算
u014798590的博客
01-03 3893
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
深度学习理论——yolov3计算map
Miss_yuki的博客
11-29 2375
大家好，继续备忘，这次是记录yolov3跑完测试以后如何计算map的简单方法。 1.生成检测文件 上一篇博客写的是批量测试生成图像结果，要想计算map，需要首先生成检测文件，在darknet文件下运行： ./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights-out "...
集合深度学习08—Map
niTaoTaoa的博客
08-24 403
【代码】集合深度学习08—Map。
深度学习图像处理评价指标
03-13
### 评估深度学习图像处理模型性能的关键指标 #### 准确率 (Precision) 准确率衡量的是预测为正类别的实例中有多少是真正的正类别。对于目标检测任务而言，当预测框与真实框之间的交并比（Intersection over Union, IOU）超过设定阈值，并且分类正确，则认为是一个真正例(TP)[^1]。 ```python def precision(tp, fp): return tp / (tp + fp) if (tp + fp) != 0 else 0 ``` #### 召回率 (Recall) 召回率反映的是所有实际为正类别的样本中被成功检出的比例。同样地，在计算过程中也需要考虑IOU以及类别匹配情况来决定哪些预测可以算作TP[^2]。 ```python def recall(tp, fn): return tp / (tp + fn) if (tp + fn) != 0 else 0 ``` #### F1分数 (F1 Score) F1分数综合考量了精确度和召回率两个方面的影响，通过调和平均数的方式得出一个平衡两者关系后的单一数值表示方法。特别适用于不平衡数据集的情况下的表现评测。 \[ \text{F1} = 2 * (\frac{\text{precision}*\text{recall}}{\text{precision}+\text{recall}})\] ```python def f1_score(precision_val, recall_val): return 2 * ((precision_val * recall_val) / (precision_val + recall_val)) \ if (precision_val + recall_val) != 0 else 0 ``` #### 平均精度均值 (mean Average Precision, mAP) mAP是在多个不同置信水平上对每个类别的AP取平均值得到的结果。它不仅关注于单个物体的定位准确性(IOU)，还涉及到整个测试集中各类别之间相对重要性的加权求和过程。 #### 交并比 (Intersection Over Union, IoU) IoU用来量化两个边界框重叠程度的一个比例值，通常作为判断一次有效检测的标准之一。具体来说，就是指预测框与真实标签框相交区域面积除以其联合覆盖总面积得到的小数形式结果。 ```python def iou(box_a, box_b): # 计算交集部分坐标范围 inter_xmin = max(box_a[0], box_b[0]) inter_ymin = max(box_a[1], box_b[1]) inter_xmax = min(box_a[2], box_b[2]) inter_ymax = min(box_a[3], box_b[3]) # 如果没有交叉则返回零 if inter_xmax <= inter_xmin or inter_ymax <= inter_ymin: return 0.0 # 否则继续计算交集宽度高度 inter_width = inter_xmax - inter_xmin inter_height = inter_ymax - inter_ymin # 获取各自矩形面积大小 area_box_a = (box_a[2]-box_a[0])*(box_a[3]-box_a[1]) area_box_b = (box_b[2]-box_b[0])*(box_b[3]-box_b[1]) # 返回最终iou得分 intersection_area = inter_width*inter_height union_area = area_box_a + area_box_b - intersection_area return intersection_area / float(union_area) ```
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