理解IOU、precision、recall、AP、mAP的含义

最新推荐文章于 2025-06-23 02:27:35 发布
原创 最新推荐文章于 2025-06-23 02:27:35 发布 · 1.4w 阅读 · 83 ·
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。

本文详细解析了目标检测评估指标IOU、Precision、Recall、AP及mAP的概念及其计算方法，并通过具体示例帮助读者更好地理解这些关键概念。

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

一 理解IOU

IOU是由预测的包围盒与地面真相包围盒之间的重叠区域（交集），除以它们之间的联合区域（并集），其中P代表预测框，gt代表真值框：
这里写图片描述
这里写图片描述

二理解precision（查准率）、recall（查全率）

首先precision、recall是针对所有图片内的某一类来说的。接下来举个例子。
例如，使用训练好的模型得到所有测试样本的confidence score，每一类（如car）的confidence score保存到一个文件中。假设某一类有20个测试样本，每个的id，confidence score和ground truth label如下，右图是对confidence score排过序之后的：​​
这里写图片描述
这里写图片描述

上图比较直观，整个方框代表了整个数据集，对应例子中的20，然后我们选出置信度比较高的进行统计，用于测评模型的好坏，对应例子中的5。也就是说，圆圈内（true positives + false positives）是对应的就是top-5的结果，在这个

最低0.47元/天 解锁文章

200万优质内容无限畅学
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
Snu77的博客
11-02 10万+
这篇博客，主要给大家讲解我们在训练yolov8时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据具体需求，我们可以选择更适合任务场景的模型和参数配置。最后祝大家学习顺利，科研成功，多多论文！！
IOU、置信度、非极大值抑制（NMS）三者的关系
weixin_56847236的博客
07-19 2522
总结：首先使用使用网络训练时候会存在多个预测框，然后通过设置置信度会减少预测框的数量；然后再计算预测框和真实框之间IOU，但是可能还是会存在多个交并比的框，此时在使用NMS来进行抑制，这样就会一定程度上减少预测框的个数。链接链接。
IoU、Precision、Recall、AP、mAP详解
qq_27155171的博客
10-10 5648
目标检测中的IoU、Precision、Recall、AP、mAP详解
YOLO深度解读：IOU变体系列解析
最新发布
极限突破者的博客
06-23 1009
🔍🏆🎉本文深度剖析目标检测核心指标IOU及其变体的技术演进，从基础IoU到SIoU的完整技术脉络，结合数学原理与YOLO实战代码，详解GIoU、DIoU、CIoU、EIoU、SIoU的创新点与适用场景。通过可视化对比和PyTorch代码实现，揭示不同变体在梯度优化、收敛速度、方向感知等方面的优劣，最后给出YOLO系列模型的选型建议和调优技巧。适合目标检测领域开发者收藏细读！
目标检测中precision、recall、AP、mAP的含义
yangzzguang的博客
06-01 3万+
        在阅读目标检测相关的论文中遇到评估模型性能时使用mAP这一概念，为此查阅相关资料来进行理解。与mAP相关的还有平均精度（AP）、平均精度均值（mAP）、查准率（precision）、查全率（recall）、IOU、置信度阈值（confidence thresholds）等概念。         查准率（precision）和查全率（recall）。对于二分类问题，可将样例根据其真实...
深度学习和目标检测系列教程 19-300：关于目标检测AP、IoU和mAP简介
微信号：RunsenLiu
08-22 2910
@Author：Runsen R-CNN 和YOLO等对象检测模型，使用了平均精度 (mAP)。mAP 将真实边界框与检测到的框进行比较并返回分数。分数越高，模型的检测就越准确。 Precision and Recall 现在有两个类，Positive和Negative，这里是 10 个样本的真实标签。 y_true = ["positive", "negative", "negative", "positive", "positive", "positive", "negative", "positive
目标检测学习笔记——NMS、置信度、IOU
phily123的博客
08-01 2万+
非极大值抑制用在最后阶段，即所有边界框都已经回归调整过后，对图片每一类使用NMS防止一个目标出现多个边界框。 1、非极大值抑制需要设置一个阈值 2、使用时间是最后调整完预测框位置后 3、多少个类就使用多少次非极大值抑制 3、每一类使用非极大值抑制后找到所有这类的边界框 添加链接描述 ...
目标检测中IoU阈值和置信度阈值的区别和作用
jx2017的博客
11-06 5941
低置信度的框虽然在推理过程中可能会被筛选掉（如果设置了高置信度阈值），但在评估过程中，它们仍然会被计算进来，只要它们的 IoU 足够高（大于或等于 IoU 阈值）。在评估中使用较低的置信度阈值可能会导致更多的错误预测参与计算，从而影响最终的性能指标（如 mAP）。IoU阈值影响的是目标检测模型如何进行正负样本的区分和位置损失的计算。通常它决定了预测框与真实框是否足够接近，影响位置精度的计算。置信度阈值影响的是目标存在性损失。
目标检测必学】快速理解IOU、Recall、Precision、AP、mAP检测指标
05-29
好的，我会为你解释目标检测...5. mAP（mean Average Precision）：平均精度均值，是指所有类别AP值的平均值。mAP值越高，表示检测算法在所有类别上的表现越好。 以上就是目标检测中常用的指标，希望能对你有所帮助。
模型的评估指标——IoU、混淆矩阵、Precision、Recall、P-R曲线、F1-score、mAP、AP、AUC-ROC
Atticus的博客
11-14 2445
YOLO是最先进的目标检测模型之一。目标检测问题相比分类问题要更加复杂，因为目标检测不仅要把类别预测正确，还要预测出这个类别具体在哪个位置。我将目标识别的评估指标总结为两部分，一部分为预测框的预测指标，另一部分为分类预测指标。
目标检测中的评价指标（Recall，Precision，IOU，AP，MAP）
踏雪飞鸿的博客
09-12 3310
最近在看一些物体识别的模型，然后做一些特定场景下的应用。之前就已经了解过一些经典做的深度目标检测模型如Faster R-CNN, SSD, YOLO,今天具体应用了就需要啃代码了，为了快速上手还是直接找比较official的代码，这里我是使用了MMdetection框架。另一篇Blog也讲述了在安装MMdetection过程中踩过的一些坑。不过这一片主要是记录一些目标检测，物体识别的一些常用的评价...
YOLOv1论文详解【算法原理、置信度、IOU、损失函数等】
weixin_48200452的博客
05-10 1万+
参考文章： https://blog.youkuaiyun.com/litt1e/article/details/88814417 https://blog.youkuaiyun.com/qq_39800375/article/details/107721015 从R-CNN到Faster R-CNN一直采用的思路是proposal+分类 （proposal 提供位置信息， 分类提供类别信息）精度已经很高，但由于two-stage（proposal耗费时间过多）处理速度不行达不到real-time效果。 （R-CNN use r
YOLO 模型的评估指标——IOU、Precision、Recall、F1-score、AP、mAP、
m0_73731663的博客
06-11 5331
置信度用于评估模型对检测结果的信心程度下图中，绿色框A表示Ground Truth，也称GT，GT就是正确的标注（人工）iou：表示预测的边界框（或分割区域）与真实边界框（或分割区域）之间的交集与并集之间的比值。阈值：根据实际情况可调节如果预测框与真实框的IOU > 0.5，那么此预测框归为TP如果0 < IOU <= 0.5，那么此预测框归为FP如果IOU < 0 ，那么此预测框归为 FN检测到同一个GT的多余检测框也归为FP，怎么解 释呢？
目标检测相关概念：IOU，precision, recall, AP, mAP
weixin_39025871的博客
04-01 627
1.IOU(交并比） IOU，交并比，顾名思义，就是预测框bounding box与真实框ground truth的交集比上并集。可以用来衡量检测物体位置的偏差。形象点可以看下图（用画图软件所画）： IOU=交集/并集 ...
【目标检测必学】快速理解IOU、Recall、Precision、AP、mAP检测指标
qq_45193872的博客
03-03 8074
学习目标： 总结了几篇个人认为深入浅出的目标检测性能指标相关博客，希望通过这次笔记能帮助到还不理解的同学！ **理解目标检测中常用的性能检测指标mAP、IOU、Recall、Precision,**通过约30分钟的阅读深刻理解并掌握这几个常见指标的运用。
一起理解目标检测指标 --- 交并比IoU、平均精度AP、mAP
SpaceSunflower 's ML/DL home
12-05 1341
【一起理解】目标检测指标 --- 交并比IoU、平均精度AP、mAP
机器学习、深度学习评价指标汇总：TP、TN、FP、FN、AP、mAP、IoU、mAP@3、Prec@10、 Acc@10
buyaotutou的博客
10-10 2402
真正例 (True Positive, TP)模型正确地将正类（例如，某种疾病存在）预测为正类的实例数量。假正例 (False Positive, FP)模型错误地将负类（例如，某种疾病不存在）预测为正类的实例数量。这通常被称为“误报”。真负例 (True Negative, TN)模型正确地将负类预测为负类的实例数量。假负例 (False Negative, FN)模型错误地将正类预测为负类的实例数量。这通常被称为“漏报”。真正例和真负例反映了模型的正确预测能力。假正例和假负例。
YOLOv5的置信度阀值与iou阀值及P R详解
热门推荐
excelNo1的博客
03-31 4万+
conf_thres Confidence Threshold，置信度阈值。 　　只显示预测概率超过conf_thres的预测结果。 　　想让YOLO只标记可能性高的地方，就把这个参数提高。 iou_thres Intersect over Union Threshold，交并比阈值。 IOU值：预测框大小∩真实框大小 / 预测框大小∪真实框大小。（预测框与真实框的交集与并集的取值。） iou_thres在detect.py中： 越大，则容易将对于同一个物品的不同预测结果 当成 对多个物品的多个预测结果，导
总算搞懂了多标签分类里的P（Precision）、R（Recall）、AP（Average Precision）和mAP（mean Average Precision）！
404 Not Found
06-28 1920
记录一下自己理解的多标签分类任务中的P（Precision）、R（Recall）、AP（Average Precision）、mAP（mean Average Precision）。
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