object_detector MAP:

最新推荐文章于 2022-05-13 23:28:09 发布
最新推荐文章于 2022-05-13 23:28:09 发布
阅读量531 收藏 1
点赞数
分类专栏： 目标检测 文章标签： object_detector
本文详细解析了目标检测中平均精度(mAP)的概念及其计算方法，对比了VOC2010前后两种不同的mAP计算策略，帮助读者深入理解mAP在评估检测算法性能中的作用。

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

转载自：目标检测中的mAP是什么含义？ - Wentao MA的回答 - 知乎 https://www.zhihu.com/question/53405779/answer/419532990

对于上述PR值，如果我们采用：

  1. VOC2010之前的方法，我们选取Recall >= 0, 0.1, ..., 1的11处Percision的最大值：1, 1, 1, 0.5, 0.5, 0.5, 0.5, 0.5, 0, 0, 0。此时Aeroplane类别的 AP = 5.5 / 11 = 0.5
  2. VOC2010及以后的方法，对于Recall >= 0, 0.14, 0.29, 0.43, 0.57, 0.71, 1，我们选取此时Percision的最大值：1, 1, 1, 0.5, 0.5, 0.5, 0。此时Aeroplane类别的 AP = (0.14-0)*1 + (0.29-0.14)*1 + (0.43-0.29)*0.5 + (0.57-0.43)*0.5 + (0.71-0.57)*0.5 + (1-0.71)*0 = 0.5

mAP就是对每一个类别都计算出AP然后再计算AP平均值就好了～

Object Detection中的mAP的理解
KevinZ5111的博客
02-26 1093
一、mAP的定义和意义 mAP（mean of Average Percision）平均精确值的平均，用来衡量Object Detection的性能好坏。 选用mAP的原因是，Detection任务的图像标签不止一个，所以不能采用分类的标准，而是采用类似于信息检索中的方法，即mAP。 在说明mAP如何计算之前，我们先学习几个基本概念： 二、查准率（Precision）和查全率（Recall） 查准...
object_detector_app与tensorflow
weixin_52849265的博客
12-12 267
git上面找到了一个MIT的目标识别程序，在tensorflow和opencv环境下跑的 https://github.com/datitran/object_detector_app tensorflow按照网上的办法安装完成后在这里还是出了问题 首先根据git上面的提示把这个app下载下来，然后搭建虚拟环境后，对目标app进行测试 python object_detection_app.py / python object_detection_multithreading.py 第一次报错： 解决方法
object_detector：来自HOG + Linear SVM框架的对象检测器
02-05
object_detector 使用HOG作为描述符和线性SVM作为分类器的对象检测器 先决条件 使用Python 3绑定安装 依存关系 您可以通过运行安装所有依赖项 pip install -r requirements.txt 运行代码 要测试代码，请在终端中运行以下行 git clone https://github.com/vladkha/object_detector.git cd object_detector/bin python test_object_detector.py test_object_detector.py将下载和数据集，并训练分类器以检测图像中的人脸。 S
Object Detection中的mAP
机器学习杂货铺1号店
05-30 545
前言 指标很重要，合适的指标更是重中之重。mean Average Precision, mAP是常见的评估机器学习模型性能的指标，其在物体检测任务中也有着广泛地应用，是诸多Object Detection任务的主要评估指标，本文总结一些关于mAP的理解。如有谬误，请联系指出，本文参考[1,2]。 注： mAP或者AP在物体检测和信息检索中，其定义有所不同，本文特定在物体检测场景中的定义。 精确率和召回率 我们在[3]一文中介绍过一些常见的评估指标，其中就包括了精确率(precision)和召回率(rec
工具类库系列(十一)-ObjectMap
zilaishuichina的专栏
02-17 3365
第十一个工具类：ObjectMap ObjectMap 是一个上篇提到的 objectid64 的一个idid映射关系表，由map实现 该类用于需求中时常会出现的 1对1  或者 1对多 映射关系， 比如： 1对1：一个网络链接对象 对应 一个玩家对象， 一个玩家对象 也对应一个 网络链接对象 1对多：一个玩家对象 对应 一个游戏公会对象 同时实现了： 1
object_detection
08-12
object_detection
详解object detection中的mAP
weixin_34198797的博客
02-17 523
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。object detection中，因为有物体定位框，分类中的accuracy并不适用，因此才提出了object detection独有的mAP指标，但这也导致mAP没有分类中的accuracy那么直观。...
object_detection:重现并实现对象检测模型
04-13
该API包含多个预训练的模型，如Faster R-CNN、SSD（Single Shot MultiBox Detector）和YOLOv2等，这些模型都实现了不同的对象检测策略。 Faster R-CNN是一种基于区域提议网络（Region Proposal Network, RPN）的两...
from maix import camera, display, image, nn, app, comm, uart, pinmap, time import struct, os #定义全局变量 devices = [] # 设置UART1引脚映射 pinmap.set_pin_function("A18", "UART1_RX") # 设置UART1接收引脚 pinmap.set_pin_function("A19", "UART1_TX") # 设置UART1发送引脚 # 初始化串口通信 device = "/dev/ttyS1" # UART1设备路径 uart1 = uart.UART(device, 115200) # 配置UART1，波特率115200 report_on = True APP_CMD_DETECT_RES = 0x02 def encode_objs(objs): ''' encode objs info to bytes body for protocol 2B x(LE) + 2B y(LE) + 2B w(LE) + 2B h(LE) + 2B idx + 4B score(float) ... ''' body = b'' for obj in objs: body += struct.pack("<hhHHHf", obj.x, obj.y, obj.w, obj.h, obj.class_id, obj.score) return body def build_packet(packet_id): packet = bytearray(28) packet[0] = 0x40 packet[1] = packet_id packet[27] = 0x5D return packet model_path = "model_231544.mud" if not os.path.exists(model_path): model_path = "/root/视觉_01/model_231544.mud" detector = nn.YOLOv5(model=model_path) cam = camera.Camera(detector.input_width(), detector.input_height(), detector.input_format()) dis = display.Display() p = comm.CommProtocol(buff_size = 1024) # ... 前面的代码保持不变 ... # ... 前面的导入和初始化代码保持不变 ... while not app.need_exit(): img = cam.read() objs = detector.detect(img, conf_th=0.5, iou_th=0.45) # 添加标志位避免重复发送 signal_sent = False if len(objs) > 0 and report_on: body = encode_objs(objs) p.report(APP_CMD_DETECT_RES, body) for obj in objs: img.draw_rect(obj.x, obj.y, obj.w, obj.h, color=image.COLOR_RED) msg = f'{detector.labels[obj.class_id]}: {obj.score:.2f}' img.draw_string(obj.x, obj.y, msg, color=image.COLOR_RED) object_name = detector.labels[obj.class_id] object_score = obj.score print(object_name, object_score) # 仅当分数足够高且未发送信号时才处理 if object_score > 0.85 and not signal_sent: signal_value = None # 修正条件判断：使用in运算符检查列表 if object_name in ["tudou"]: signal_value = 49 elif object_name in ["bailuobo"]: signal_value = 50 elif object_name in ["huluobo"]: signal_value = 51 elif object_name in ["zhibei"]: signal_value = 52 elif object_name in ["shitou"]: signal_value = 53 elif object_name in ["cipian"]: signal_value = 54 elif object_name in ["wuhaodianchi"]: signal_value = 55 elif object_name in ["1haodianchi"]: signal_value = 56 elif object_name in ["erhaodianchi"]: signal_value = 57 elif object_name in ["qihaodianchi"]: signal_value = 62 elif object_name in ["xiaotudou"]: signal_value = 63 elif object_name in ["suliaoping"]: signal_value = 64 elif object_name in ["yaobaozhuang"]: signal_value = 65 elif object_name in ["yaowan"]: signal_value = 66 elif object_name in ["zhituan"]: signal_value = 67 elif object_name in ["zhuankuai"]: signal_value = 68 if signal_value is not None: # 构建结构化数据包 packet = bytearray(28) packet[0] = 0x40 # 包头 packet[1] = signal_value # 信号值（0-3） #packet[2] = obj.class_id # 类别ID packet[27] = 0x5D # 包尾 #bytes(packet) uart1.write(bytes(packet)) print(f"检测到 {object_name}, 发送信号: {signal_value}, 数据包: {packet.hex()}") signal_sent = True # 标记已发送 time.sleep(0.1) # 减少延时 dis.show(img) 这个程序中土豆块输出为@1],将62-68改为输出14-20
最新发布
08-04
object_name = detector.labels[obj.class_id] object_score = obj.score print(object_name, object_score) # 仅当分数足够高且未发送信号时才处理 if object_score > 0.85 and not signal_sent: signal_...
你知道Object 和Map的区别吗？
wangweiscsdn的博客
05-04 1451
Object VS Maps Object与 Maps 类似，都允许将键(key)设置为值(value)、检索这些值、删除键以及检测是否在键中存储了某些内容。由于这个原因，Object在历史上一直被用作Map。但是在某些情况下，使用 Map 有一些重要的区别。 Object的键是string、number和Symbol，而 Map 可以是任何值，包括函数、对象和任何原始值。 // Object 创建 const obj1 = new Object() const obj2 = {} const obj3
Object detection
masterShaw的博客
05-21 502
在卷积神经网络中，感受野的定义是：卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。 论文列表链接 Faster RCNN算法解析（附源代码，可以直接运行） Bounding box regression详解 faster R-CNN中anchors 的生成过程（generate_anchors源码解析） faster rcnn中anch...
ObjectDetector：一个简单的自定义视觉对象检测器示例应用程序
02-02
物体检测器 一个简单的自定义视觉对象检测器示例应用程序。 最近已更新以支持对象检测-您可以通过识别图像中的对象并标记这些对象来训练模型。 训练后，该模型不仅可以识别同一图像中的多个对象，而且可以提供边界框-即该对象在图像中的位置。 该示例应用程序使用处理您的图像以查找对象。 您可以将其指向任何物体检测项目，它将识别出检测到的物体的概率大于75％。 一旦检测到，它将在屏幕上显示图像，并在每个对象周围绘制边框并添加标签。 要使用此样本 在创建对象检测模型。 为您感兴趣的对象训练模型。 将模型的一次迭代设置为默认值。 启动应用程序。 在设置屏幕中输入您的预测关键字和项目ID。 运行该应用程序，对训练有素的对象拍照，然后查看结果。 如果要更改项目或预测键，请点击设置按钮 您可以在上阅读有关此服务的更多信息。
hogsvmmatlab代码-Object_Detector_Musawwir:用C++(OpenCV)编写的对象（最初是行人）检测器的集合。
06-12
hog svm matlab代码Object_Detector_Musawwir 用 C++ (OpenCV) 编写的对象（最初是行人）检测器的集合。 “Musawwir”在乌尔都语中的意思是“艺术家” 1- 原始 HOG-Linear SVM (Navneet Dalal) 重新训练：改进的引导算法可将未命中率降低 14%。 M Bilal、MS Hanif，“通过重振训练和评估方法对 HOG-SVM 行人检测器进行基准修订”，IEEE 智能交通系统汇刊，2019 年。 2- HSG-HIK：一种低复杂度的特征分类器框架，其响应比 HOG-Linear SVM 好得多。 M Bilal、MS Hanif，“使用轻量级特征和快速级联内核 SVM 分类的高性能实时行人检测”，信号处理系统杂志，2018 年。 M Bilal，“使用低复杂度特征对基于直方图交叉核支持向量机的行人检测进行算法优化”，IET 计算机视觉，2017 年。 M Bilal、A Khan、MUK Khan、CM Kyung，“智能视频监控系统的低复杂度行人检测框架”，IEEE 视频技术电路和系统汇刊，2016 年。
论文阅读-《Object Detection Networks on Convolutional Feature Maps》
yj_isee的博客
03-14 2616
收录于IEEE Transactions on Pattern Analysis and Machine Intelligence 20151.Background&Motivation 论文的背景是Fast/Faster R-CNN成为当时的检测精度最高的框架，同时Resnet刚发表不久，这个时候，基于回归模型的目标检测框架还没有发表。 作者在论文一开始的时候提出了，基于region propos
【Darknet】计算mAP函数validate_detector_map详解
u013798145的博客
10-21 1977
之前和百度有个合作，要测一下他们模型的mAP，所以研究了一下Darknet里mAP到底是怎么算的。 validate_detector_map函数的原型是 float validate_detector_map(char *datacfg, char *cfgfile, char *weightfile, float thresh_calc_avg_iou, const float iou_thresh, const int map_points, int letter_box, network *exis
Object与Map的区别
莫循的AI编程博客
04-30 5381
Object与Map的区别简介：共同点：不同点：1.构造方式Object:Map2.键的类型Object：键类型必须是string或者Symbol，如果非String类型，会进行数据类型转换Map：键可以是任意类型，包括对象，数组，函数等。**不会**进行数据类型转换。3.键的顺序Object：key是无序的，不会按照添加到顺序返回Map：key是有序的，按照插入的顺序返回4.键值对sizeObject：只能手动计算，通过Object.keys()方法或者通过for...in循环统计Map：直接通过size
将Object对象转换成Map 属性名和值的形式
m0_67402236的博客
04-28 874
package cn.lonelcoud.util; import com.sun.deploy.util.StringUtils; import java.lang.reflect.Field; import java.text.SimpleDateFormat; import java.util.*; /** * Created by lonecloud on 17/3/12. * 用于对Object进行解析并且转换成Map键值对的形式 * * @author lo
object detection中的mAP指标
WYXHAHAHA123的博客
04-01 1070
https://medium.com/@jonathan_hui/map-mean-average-precision-for-object-detection-45c121a31173 https://github.com/rafaelpadilla/Object-Detection-Metrics https://papers.nips.cc/paper/5867-precision-re...
Object和Map的区别
SilentLand的博客
05-13 1982
概念 Object是最常用的一种引用类型数据，可用于存储键值对的集合，在ECMAScript 1st 里添加的 Map是键值对的集合，采用Hash结构存储，在ECMAScript2015版本里新增的 Hash，一般翻译做散列、杂凑，或音译为哈希，是把任意长度的输入（又叫做预映射pre-image）通过散列算法变换成固定长度的输出，该输出就是散列值。这种转换是一种压缩映射，也就是，散列值的空间通常远小于输入的空间，不同的输入可能会散列成相同的输出，所以不可能从散列值来确定唯一的输入值。简单的说就是一种将
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