mAP与coco的评价指标

最新推荐文章于 2025-05-13 19:34:36 发布

未来可期，期许未来

最新推荐文章于 2025-05-13 19:34:36 发布

阅读量3.4k

点赞数 3

CC 4.0 BY-SA版权

分类专栏：目标检测

本文链接：https://blog.youkuaiyun.com/pangpangben/article/details/116562936

目标检测专栏收录该内容

6 篇文章

订阅专栏

本文介绍了目标检测领域中常用的PASCAL VOC与MS COCO数据集，并详细解释了mAP(mean Average Precision)的概念及其计算方法。包括如何通过计算预测框与真实框之间的交并比(IoU)来确定真阳性(TP)、假阳性(FP)和假阴性(FN)，进而计算查准率(Precision)和查全率(Recall)，最终形成P-R曲线并得出AP(Average Precision)。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

目标检测常用的两个数据集：
PASCAL VOC 与 MS COCO数据集

mAP：mean Average Precision, 即各类别AP的平均值
‘预测得到的是：bounding box; 人工标注的是：ground Truth box(GT box)’
IoU指的是预测的bounding box与人工标注的GT box的交并比
TP(True Positive)：IoU>0.5的检测框数量
FP(False Positive)：IoU<=0.5的检测框数量(或者检测到同一个GT的多于检测框的数量)
FN(False Negative)：没有检测到的GT的数量

Precision:TP/(TP+FP)（查准率）
Recall:TP/(TP+FN)(查全率)
AP：P-R曲线下的面积
P-R曲线：Precision-Recall曲线
mAP：mean Average Precision, 即各类别AP的平均值（一个类别，有一个AP）

针对confidence取不同的阈值，得到的precision与recall的值，例如：
在这里插入图片描述
当confidence的阈值设置为0.98：TP=1,FP=0,FN=6
Precision=1.0,Recall=0.14
当confidence的阈值设置为0.89：TP=2,FP=0,FN=5
Precision=1.0,Recall=0.28
当confidence的阈值设置为0.88：TP=3,FP=0,FN=4
Precision=1.0,Recall=0.42
再画出P-R曲线

AP表示：在IoU=0.5:0.05:0.95有10个IoU值，每个IoU值下的得到一个mAP，再求平均，实际上是mAP(COCO数据集中最主要的评价指标)
第二个AP(IoU=0.5),是PSACAL VOC所提供的评价指标
在这里插入图片描述
第一行是COCO的评价指标
第二行是PASCAL VOC的评价指标
第四行是关注小目标的情况
第八第九行对比看，是为了看目标数的大致情况