Average Recall(AR)相关解释

转载 已于 2022-06-30 20:10:28 修改 · 1.2k 阅读 · 7 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/aaayushu/article/details/106236370
文章标签：

#大数据

于 2022-06-30 19:54:17 首次发布
Average Recall (AR)是衡量目标检测模型性能的关键指标，特别是针对漏检的情况。它是在IoU阈值从0.5到1.0范围内，Recall的最大值的平均值，相当于Recall-IoU曲线下的面积的两倍。AR计算涉及GroundTruth bbox与DetectionResult bbox的重叠部分，常用于评估检测提议的效率。该概念由论文《What makes for effective detection proposals?》提出，并在提供的代码实现中进行详细计算。AR帮助开发者了解模型在检测框定位准确性上的表现。
部署运行你感兴趣的模型镜像

由于coco数据集上对于average recall的解释只有一句话不易理解，这里做一个解释。

## 新的改变


AR是 IoU在[0.5,1.0] 上所有Recall（每个IoU阈值下的最大Recall）的平均。是Recall-IoU 曲线所围成的面积的两倍。

在这里插入图片描述

n为每张图片中所有GroundTruth bbox与最与GroundTruth bbox接近的DetectionResult bbox的重叠部分的数量（overlaps、proposals），即coco指标中的maxDets。

在这里插入图片描述


AR是衡量一个模型检测框的定位是否准确的指标（对检测器漏检情况的评判指标）。

AR是由What makes for effective detection proposals?
（https://arxiv.org/pdf/1502.05082.pdf）这篇文章提出
具体的代码实现为（https://github.com/hosang/detection-proposals/blob/master/recall/compute_average_recall.m）：

在这里插入图片描述

 
[1]: https://manalelaidouni.github.io/manalelaidouni.github.io/Evaluating-Object-Detection-Models-Guide-to-Performance-Metrics.html#average-recall-ar
[2]: https://arxiv.org/pdf/1502.05082.pdf
[3]: https://github.com/hosang/detection-proposals
————————————————

原文链接：https://blog.youkuaiyun.com/aaayushu/article/details/106236370

https://arxiv.org/abs/1502.05082

您可能感兴趣的与本文相关的镜像

Yolo-v8.3

Yolo-v8.3

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

jackylzh
关注
万字长文精解目标检测中的TP、FP、FN、TN、Precision、Recall 、 F1 Score、AP、mAP与AR 。附代码实现。
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-16 8205
mAP（Mean Average Precision）是用于评估对象检测和信息检索系统性能的重要指标。它综合考虑了检测结果的精确度（Precision）和召回率（Recall），提供了一个整体的性能评价。你是否见过下面的表格？这是COCO版本的mAP（即平均精度，他们简称之为AP）。但这个指标到底代表什么呢？这些符号又都代表什么含义呢？在本文中，我们将详细讲解所有必要的理论知识，不仅帮助你解读表格中的数据，还能让你理解采用这种复杂指标的必要性。
目标检测中的常见评价指标
m0_63520910的博客
04-26 2772
一、 IOU 二、NMS 三、AP 四、mAP 五、mMP 六、mAR 目标检测中NMS（非极大抑制）的概念理解_花花少年的博客-优快云博客_nms
分割评价指标
微信号：Custom-Software
08-23 2567
IOU标准介绍 1 目标检测和图像分割的评价标准是一样的，核心都是使用IOU标准； 2 目标检测和图像分割使用的IOU方法都是一样的，不同的是目标检测面向判断选定框和预测框；而图像分割面向的是选定掩码和预测掩码； 3 在目标检测中，检测目标用box进行评价。我们的IOU评价方式为(将预测框和选定框放入公式中去判定)； 而在图像分割中，我们用掩码来进行评价，IOU评价方式为(将预测掩码和选定掩码放入公式汇中去判定): 1、IoU相当于两个区域重叠的部分除以两个区域的集合部分得出的结果，IO.
目标检测中的评估指标：PR曲线、AP、mAP
Clichong
06-08 5686
文章目录1.precision & recall2.P-R曲线3.AP计算4.mAP计算 1.precision & recall 规定IOU > 0.5表示物体被检测出来 以下面一个猫狗的例子介绍precision与recall，任务找其中狗 我们将被正确识别的狗，称为True positives。我们将被正确识别的猫称为True negatives。为什么会有这个概念？什么是被正确识别的猫？我们知道我们这里的目标是找狗，那么那些我们没有标注的猫，是不是从反向说明我们的查找准确率（
平均召回（Average Recall，AR）概述
weixin_42605076的博客
06-10 2744
在深度学习中，平均召回（Average Recall, AR）是一个衡量模型在不同阈值下的召回率的综合指标，特别常用于目标检测任务。召回率（Recall）指的是模型正确检测出的正样本占所有正样本的比例。换句话说，召回率评估了模型识别所有正样本的能力。平均召回（AR）是对不同阈值下的召回率进行平均得出的指标。在目标检测中，模型通常会在不同的置信度阈值下做出预测。通过在多个阈值下计算召回率并取其平均值，可以更全面地评估模型的性能。平均召回（AR）在目标检测任务中是评估模型性能的重要指标。
帮我解读DONE (t=7.09s). IoU metric: bbox Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.614 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.817 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.679 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.436 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.697 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.796 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.212 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.647 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.773 Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.609 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.843 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.936 Final results: [0.6137242411145359, 0.8167229067104173, 0.678863599672008, 0.4358785508130829, 0.6966213091070946, 0.7955641318294531, 0.2123967709009929, 0.6473137236707804, 0.7731929108286165, 0.6088904363974003, 0.8431909750201452, 0.9361252731245446]
11-20
根据用户的需求，我们需要解读包含IoU（Intersection over Union）、平均精度（Average Precision, AP）和平均召回率（Average Recall, AR）等指标的目标检测结果数据。这些指标是评估目标检测模型性能的核心标准。 ...
conditional detr训练自己的数据集 IoU metric: bbox Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = -1.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = -1.000
06-11
在解决Conditional DETR模型在自定义数据集上AP和AR指标均为0的问题时，需要从多个角度进行分析。以下是一些可能的原因及解决方案： #### 数据集问题 如果自定义数据集存在标注错误或格式不正确，可能导致模型无法...
Epoch [30/30], Batch [340/350], Loss: 0.6571, Clf Loss: 0.2210, Reg Loss: 0.1485 Epoch [30/30], Batch [350/350], Loss: 0.5203, Clf Loss: 0.1713, Reg Loss: 0.1827 Epoch 30 - Avg Loss: 0.2756, Cls: 0.0994, Reg: 0.1061 开始评估模型... 开始评估... Loading and preparing results... DONE (t=0.01s) creating index... index created! Running per image evaluation... Evaluate annotation type *bbox* DONE (t=0.30s). Accumulating evaluation results... DONE (t=0.05s). Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.003 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.004 Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.005 ✅ 评估完成 mAP@0.5:0.95 = 0.0000 mAP@0.5 = 0.0002 Recall@0.5 = 0.0000 进程已结束，退出代码为 0
最新发布
12-09
> ❌ **但 mAP 全为 0.000，Recall 极低** 这说明：**模型“学会”了拟合数据（loss 在降），但完全没能检测出任何目标。** --- ## 问题定位：为什么 loss 很好但 mAP = 0？ 这是一个典型的「**训练与推理不一致...
yolo的recall指标相当于coco数据集average_recall的什么部分
06-01
在COCO数据集评估中，召回率常与平均召回率（Average Recall, AR）结合使用，AR通过多阈值IoU（如0.5-0.95）和多检测数量（如AR@100）计算[^1][^3]。 --- #### 2. COCO数据集中的平均召回率指标 COCO官方评估指标...
AR(Average Recall, 平均查全率), ANMRR(Average Normalized Modified Retrieval Rate, 平均归一化检索秩)...
weixin_30511107的博客
08-07 471
AR(Average Recall, 平均查全率), ANMRR(Average Normalized Modified Retrieval Rate, 平均归一化检索秩) 转载于:https://www.cnblogs.com/dyllove98/p/3243805.html
目标检测等相关评价指标（AP AR Average Precision和Average Recall）
中科院AI算法工程师的博客
08-28 1万+
https://cocodataset.org/#detection-eval COCO 提供了 12 种用于衡量目标检测器性能的评价指标. [1] - 除非特别说明，AP和AR一般是在多个 IoU(Intersection over Union) 值间取平均值. 具体地，采用了 10 个 IoU阈值 -0.50:0.05:0.95. 对比于传统的只计算单个 IoU 阈值(0.50)的指标(对应于这里的指标APIoU=0.50)，这是一种突破. 对多个 IoU 阈值求平均，能够使得目标检测...
检索性能评测标准之recall（查全率），precision（查准率），AR（平均查全率），ANMRR（平均归一化调整后的检索秩）汇总
热门推荐
夏日向日葵的专栏
10-24 1万+
Recall(查全率) 在信息检索和自然语言处理中经常会使用这些参数，下面简单介绍如下：   准确率与召回率（Precision & Recall） 我们先看下面这张图来加深对概念的理解，然后再具体分析。其中，用P代表Precision，R代表Recall 一般来说，Precision 就是检索出来的条目中（比如：文档、网页等）有多少是准确的，Recall
目标检测的中的指标的含义及其实现
weixin_36670529的博客
12-09 4403
目录 一、Precision和Recall 二、IoU (Intersection over Union) 三、top5、top1 四、Average Precision 五、COCO数据集的评价指标 1、Average Precision (AP) 2、Evaluation Code 3、Analysis Code 一、Precision和Recall Precision是查...
平均召回率（Average Recall, AR）及其与平均精度（Average Precision, AP）的区别
fydw_715的博客
07-26 2822
平均召回率（Average Recall, AR）及其与平均精度（Average Precision, AP）的区别
AR(Average Recall, 平均查全率), ANMRR(Average Normalized Modified Retrieval Rate, 平均归一化调整后的检索秩)
夏日向日葵的专栏
09-11 1771
 AR(Average Recall, 平均查全率), ANMRR(Average Normalized Modified Retrieval Rate, 平均归一化调整后检索秩)
机器学习模型的几种常用评估方法
向往的生活
06-03 5570
测试
目标检测指标（IOU、TP、FP、FN、FP、AP、AR、maxDets等）解释
Galen_xia的博客
08-30 2067
iou、tp、fp、fn、fp、查准率ap、查全率ar
目标检测的衡量标准
u013972657的博客
10-21 7000
https://www.cnblogs.com/wjjcjj/p/13894995.html Precision=True positives/predicted as positives Recall=True positives/actual positives
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