目标检测中的mAP

最新推荐文章于 2025-05-18 18:46:30 发布
原创 最新推荐文章于 2025-05-18 18:46:30 发布 · 539 阅读 · 0 ·
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。

mAP(mean Average Precision)主要用于度量Faster-RCNN、SSD等目标检测算法的准确性。表示不同召回率下最大准确率的平均值。

准确率：表示预测的正确性
召回率：表示寻找正样本的能力

用公式表示的话：
TP：True Positive //正样本且标注为正样本
FP：False Positive //正样本但标注为负样本
TN：True Negitive //负样本但标注为正样本
FN：False Negtive //负样本且标注为负样本

准确率:precision=TPTP+FP准确率: precision=\frac{TP}{TP + FP}准确率:precision=TP+FPTP​
召回率:recall=TPTP+FN召回率: recall=\frac{TP}{TP + FN}召回率:recall=TP+FNTP​

Fscore=2∗precision∗recallprecision+recallFscore = 2 * \frac{precision * recall}{precision + recall}Fscore=2∗precision+recallprecision∗recall​

lantern_wu
关注
mAP@0.5与mAP@0.5:0.95的含义
thequitesunshine007的博客
11-22 8571
在COCO数据集中，更关注预测框位置的准确性，AP值是针对多个IoU阈值的AP平均值，具体的就是在0.5 和0.95之间取10个IoU阈值(0.5、0.55、0.6 ..... 0.9、0.95)。目标检测问题中，算法通常输出一个预测框(bounding box)来标识检出目标的位置，要衡量这个预测框与目标的实际位置(ground truth)的准确度，可以使用IoU指标。我们如果把所有预测结果对样例进行排序，排在前面的是“最可能”的正例样本，以查准率为纵轴、查全率为横轴作图，得到一条”P-R曲线”。
目标检测：mAP (Mean Average Precision)
thujiang000的博客
01-31 6236
目标检测，mAP解释
目标检测map理解
scut_salmon的博客
07-18 2323
1. MAP的物理意义 平均精度的意义是将各个召回率下准确率取平均，这个平均准确率可以衡量目标检测模型的性能，却不能直观地知道实际测试时特定置信度下准确率和召回率。只考虑大于特定置信度阈值下的正检和错检，可得到相应的准确率和召回率 2. MAP的计算方法 map即平均精度均值，平均精度，也就是平均准确率，把准确率取个平均。把哪几个准确率取平均呢，接下来将阐述是把哪几个准确率取平均，以及这些...
目标检测——mAP
qq_25379821的博客
09-27 893
mean Average Precision 对于一张图片中的c类目标 算法检测出来 T 个c类的目标 而真值是 TP+FN 个c类的目标 检测结果中有 TP 个结果和真值的 IOU 达到某个设定的阈值 那么Precision定义为： 对所有图片求平均得到Average Precision 的定义值： 对所有类求平均就得到mean Average Precision的定义值：...
目标 检测：mAP
Wei_sx的博客
02-17 1940
概念：mAP是针对多类别目标检测任务的一种综合评估指标。它通过计算每个类别的平均精度（AP），然后得到所有类别AP的平均值，从而衡量模型在所有类别上的整体性能。重要性：mAP被广泛应用于各大目标检测的基准数据集（如COCO、PASCAL VOC等），因为其提供了更全面、更细致的性能评估方式，能够反映模型在多个类下的表现差异和优势。
目标检测中 mAP、检出率及漏检率的指标计算
最新发布
08-24
资源下载链接为： https://pan.quark.cn/s/b7b41ef89a12 目标检测中 mAP、检出率及漏检率的指标计算（最新、最全版本！打开链接下载即可用！）
目标检测mAP计算代码
11-24
目标检测是计算机视觉领域中的一个核心任务，它的目的是在图像中定位并识别出特定的物体。在评估目标检测算法性能时，Mean Average Precision (mAP) 是一个关键指标。mAP计算代码通常用于验证和比较不同检测算法的...
目标检测评估指标mAP详解：原理与代码
qq_36892712的博客
05-18 1250
在目标检测任务中，mAP（mean Average Precision）是最重要的评估指标之一。精确率（Precision）与召回率（Recall）的平衡关系PR曲线的绘制原理AP（Average Precision）的计算方法多类别场景下的mAP计算附完整代码实现与逐行解析。
目标检测中mAP超详细解释
chris_xy的博客
11-12 8701
IOU (Intersection Over Union, 交并比) IOU指真实框和预测框之间交集和并集的比，假设这里有真实框BgtB_{gt}Bgt​和预测框BpB_pBp​，那么 IOU计算公式如下： IOU=area(Bp∩Bgt)area(Bp∪Bgt) IOU=\frac{area(B_p\cap B_{gt})}{area(B_p\cup B_{gt})} IOU=area(Bp​∪...
目标检测mAP计算详解
热门推荐
一呆飞仙的博客
05-07 2万+
首先说明计算mAP有多个版本，每个数据集和比赛用的版本和方式也不同，下以VOC与COCO举例说明。精确度（precision），召回率（recall）分别为： 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class1的AP 3、对...
目标检测MAP值
bestrivern的博客
08-05 2万+
一.概述 目标检测问题中的每个图片都可能包含一些不同类别的物体。如前所述，需要评估模型的物体分类和定位性能。因此，用于图像分类问题的标准指标precision不能直接应用于此。 这就是为什么需要mAP。 对于任何算法，评估指标需要知道ground truth（真实标签）数据。 我们只知道训练、验证和测试数据集的ground truth。对于目标检测问题，ground truth包括图像...
目标检测算法中的MAP计算方式以及代码详解
Keep_Trying_Go的博客
01-09 2060
同样，最热门的领域目标检测也有自己的评价指标，由于目标检测的目的在于检测出图像或者视频中指定物体的位置，类别以及置信度，也就是要预测给定物体的位置以及高宽，那怎么去衡量模型检测物体位置是否准确呢？由于目标检测很早就开始研究，因此，关于其评价指标的讲解不管是视频还是博客都有人已经讲解了，所以MAP这个问题并不是什么新鲜或者很难的问题，而是这里除了讲解原理步骤之外，同时也结合代码进行视频的讲解，因为原理上个人感觉有些地方本来就有点绕，如果直接看代码的话更绕，这也是决定在这里重新阐述的原因。这将代表纠正的误检。
目标检测mAP
luoyehuixuanaaaa的博客
05-13 441
TP：预测为正，实际为正 FP：预测为正，实际为负 FN：预测为负，实际为正 TN：预测为负，实际为负 precision = TP / (TP + FP) recall = TP / (TP + FN) TP：该predicted bounding box与当前结果所在图像的所有gt bounding box的最大IoU大于阈值，且该gt bounding box还未被匹配。 ...
目标检测指标mAP详解
qq_38375203的博客
06-21 2万+
相信刚刚接触目标检测的小伙伴也是有点疑惑吧，目标检测的知识点和模型属实有点多，想要工作找CV的话，目标检测是必须掌握的方向了。我记得在找实习的时候，面试官就问到了我目标检测的指标是什么，答：mAP！问：mAP是什么？我：.......!☺所以在本文中我也是详细说一下mAP 的含义，有什么不对的或者不全的欢迎大家指正！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
目标检测map计算
bblingbbling的博客
12-02 399
目标检测map计算一级目录 一级目录
目标检测map代码分析
zhuangyuan7838的博客
08-07 1265
统计各个类别的所有框的json：airplane_dr.json，遍历所有预测框，把该类别的所有框都写进来，格式是{“confidence”:confidence, “file_id”:file_id, “bbox”:bbox，经过按照confidence从高到低排序。根据ap的计算公式可以看到，rec没有变化的区间内，区间内取准确率是取最后的索引值(讲道理应该取最大的啊，也就是mpre[]i-1才对嘛)也就意味着，置信度低的框，其tp的个数统计趋于平稳，fp会增加。将召回率前面加个0，后面加个1。
目标检测中map的计算
RookiChen的博客
02-23 1万+
如何评估一个训练好模型的好坏，是目标检测中一个很重要的因素，如常见的TP、FP、AP、PR、map等，这些概念很容易混淆，搞了两天才搞明白，写一篇博客总结一下
目标检测中的MAP（无抄袭）
Elva_23的博客
10-23 2911
（个人理解，如果写的有问题可以留言交流） 转载请标明出处！！！！！谢谢！ 参考链接（内含代码）：https://github.com/rafaelpadilla/Object-Detection-Metrics 人家写的比我好，我只是用中文把理论小总结一下，懒得看英文的可以看一下我的。 1.基础定义 a.交并比 真实框：绿色的；检测框：红色的。 b.True Positive...
目标检测中mAP解释
05-27
### mAP 的定义 mAP 是 mean of Average Precision 的缩写，表示平均精确度（Average Precision, AP）的均值。它是目标检测领域中用于衡量模型性能的重要指标[^3]。由于目标检测不仅涉及分类还涉及定位，传统的分类准确性（Accuracy）无法全面反映模型的表现，因此引入了 mAP 这一更加复杂的评价标准。 --- ### 查准率（Precision）和查全率（Recall） 为了更好地理解 mAP，需先了解 Precision 和 Recall： - **Precision (查准率)**：指的是预测为正类的样本中有多少是真正的正类。 \[ \text{Precision} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Positives}} \] - **Recall (查全率)**：指的是所有真实正类中有多少被正确预测出来。 \[ \text{Recall} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Negatives}} \] 这两个指标共同构成了 PR 曲线的基础[^3]。 --- ### 平均精确度（AP）的计算方法 对于某一特定类别，通过绘制 Precision-Recall （PR）曲线来计算该类别的 AP 值。具体步骤如下： 1. 预测结果按置信度（Confidence Score）降序排列。 2. 对每一个预测框，判断其是否为 True Positive 或 False Positive，基于预设的 IoU（Intersection over Union）阈值。 3. 计算不同召回率（Recall）下的精度（Precision），并形成 PR 曲线。 4. 使用数值积分法（如梯形法则）求解 PR 曲线下面积作为 AP 值[^1]。 某些数据集（如 COCO 数据集）会进一步扩展此定义，在不同的 IoU 阈值下分别计算 AP，并取这些 AP 的加权平均值。 --- ### 多类别场景下的 mAP 计算 在多类别目标检测任务中，针对每一类别独立计算其对应的 AP 值，随后将各类别 AP 取平均值得到最终的 mAP 值。例如，若有 \( N \) 类，则： \[ \text{mAP} = \frac{1}{N} \sum_{i=1}^{N} \text{AP}_i \] 其中，\( \text{AP}_i \) 表示第 \( i \) 类别的 AP 值[^4]。 需要注意的是，部分评估体系可能会考虑额外因素，例如对象尺寸分组或多种 IoU 阈值组合，从而得到更为严格的 mAP 定义。 --- ### 示例代码实现 以下是 Python 实现的一个简化版 mAP 计算逻辑： ```python def calculate_ap(precisions, recalls): """ Calculate the average precision given lists of precisions and recalls. Args: precisions (list): List of precision values at different thresholds. recalls (list): Corresponding list of recall values. Returns: float: The computed average precision value. """ ap = 0.0 previous_recall = 0.0 # Sort by increasing recall order sorted_indices = sorted(range(len(recalls)), key=lambda k: recalls[k]) precisions_sorted = [precisions[i] for i in sorted_indices] recalls_sorted = [recalls[i] for i in sorted_indices] for idx in range(1, len(sorted_indices)): delta_recall = recalls_sorted[idx] - previous_recall max_precision = max(precisions_sorted[:idx+1]) # Interpolate maximum precision ap += delta_recall * max_precision previous_recall = recalls_sorted[idx] return ap def calculate_map(ap_per_class): """ Compute Mean Average Precision from per-class APs. Args: ap_per_class (dict): Dictionary mapping class names to their respective AP scores. Returns: float: Final calculated mAP score across all classes. """ total_classes = len(ap_per_class) sum_aps = sum(ap_per_class.values()) map_score = sum_aps / total_classes if total_classes != 0 else 0.0 return map_score ``` ---
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