mAP计算方法概述

最新推荐文章于 2025-06-25 16:52:12 发布
原创 最新推荐文章于 2025-06-25 16:52:12 发布 · 2.3k 阅读 · 1 ·
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。

本文解析了FPN模型的测试流程，通过示例图片详细介绍了如何使用test_net.py调用test.py下的deftest_net函数进行模型评估，包括置信度排序、计算IOU、确定真阳性与假阳性等步骤。

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

Git开源项目(比如unsky的FPN)中test_net.py调用test.py下的def test_net(net, imdb, max_per_image=1000, thresh=0.05, vis=False)函数。


代码之后会顺一遍，先介绍下思路：


假设一张测试图片有3个标定好的Ground Truth （黑色） 模型预测结果pred为6个框 (5红 + 1蓝)。 首先将所有pred按照置信度（score）反序排列，之后从score最大的pred开始遍历每个Ground Truth并计算IOU. 如果IOU大于阈值，查看g+表(最右)对应的GT的det是否为1：不为1则det置1并将此pred的TP至1；det为1则说明之前有更大score的框对应上了这个GT,则此pred的FP置1; 最终根据TP FP计算每个类的AP, 具体过程需要看代码

 

如何计算map？
wlw8023diya的博客
06-04 1547
1.VOCdevkit/VOC2007/ImageSets/Main/test.txt、val.txt、train.txt、trainval.txt由voc2yolo4.py生成 可以使用trainval_percent和train_percent的比例改变来修改 实验比例的话是trainval_percent=0.9,train_percent=1 根据我来看的代码，使用k-means聚类之后得到的结果不需要改变这边。 ————————————2021.4.18—————————————————— D:\
计算机视觉中的目标检测：为什么 mAP 是评估性能的黄金标准
Sapphire521的博客
04-08 614
目标检测不仅仅是识别图像中的物体，还包括标定物体的位置，即框出物体的边界框。在深度学习的推动下，目标检测方法经历了从传统机器学习方法到现代卷积神经网络（CNN）方法的跨越式发展。单阶段检测方法：如YOLO（You Only Look Once）和SSD（Single Shot Multibox Detector），这些方法快速而高效，适用于实时处理。两阶段检测方法：如Faster R-CNN，这些方法在准确性上更为精细，但计算量较大。
mAP计算过程
m0_48086806的博客
06-13 615
mAP计算过程
【目标检测】平均精度（AP）与均值平均精度（mAP）计算详解
最新发布
qq_38614074的博客
06-25 1471
AP和mAP的核心概念混淆矩阵与PR曲线的关系AP计算的完整流程mAP在不同数据集中的应用提升mAP的实用策略关键点回顾IOU衡量定位精度PR曲线展示模型性能AP是PR曲线下面积mAP是所有类别AP的平均值mAP是目标检测模型的终极成绩单！理解并掌握其计算原理，是你成为CV专家的必经之路！觉得本文有帮助？点击👍支持！如果有任何问题或建议，欢迎在评论区留言讨论～
MAP的计算
qq_74330924的博客
08-13 824
AP和MAP是用于评估深度学习目标检测模型性能的常用指标。AP是指对于每个类别，计算检测结果与真实标签匹配时的精度，然后将其平均化；而MAP则是对所有类别的AP进行平均。因此，AP和MAP都是越高越好，表示模型在目标检测任务中表现越优秀。
【YOLO学习】召回率（Recall），精确率（Precision），平均正确率（Average_precision(AP) ），交除并（Intersection-over-Union（IoU））
热门推荐
Joe_quan的博客
01-05 10万+
在训练YOLO v2的过程中，系统会显示出一些评价训练效果的指标，包括Recall，IoU等等。为了怕以后忘了，现在把自己的理解记录一下。这一文章首先假设一个测试集，然后围绕这一测试集来介绍这几种指标的计算方式。
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
浅谈python3.x pool.map()方法的实质
09-19
### Python 3.x 中 `pool.map()` 方法的深入解析 #### 概述 在Python的`multiprocessing`库中，`Pool`类提供了一种方便的方式来利用多核处理器的优势进行并行计算。其中，`map()`方法是实现并行处理的一种高效手段...
mapdata.json
12-20
一、`mapdata.json`概述 `mapdata.json`是一种基于JSON（JavaScript Object Notation）格式的数据文件，用于存储地理空间信息。JSON是一种轻量级的数据交换格式，易于人阅读和编写，同时也易于机器解析和生成。`map...
googleMap测距计算函数
12-29
根据提供的文件信息，本文将详细解释“Google Map测距计算函数”的实现原理及应用方法。 ### 一、函数概述 #### 1.1 函数定义 `FunctionTForm1.GetDistance(var lat1, lng1, lat2, lng2: Double): Double;` 此函数...
golang 并发安全Map以及分段锁的实现方法
09-19
### Golang并发安全Map及分段锁实现方法详解 #### 概述 在Go语言中，标准库提供的`map`类型并非线程安全的。因此，在多线程或并发环境中直接使用`map`可能导致数据竞争和不一致的问题。为了解决这个问题，开发者...
【深度学习】——模型评估指标MAP计算&实例计算
python_AI_fans的博客
05-24 5335
目录 理论知识： 推导： 理论知识： 参考up主《睿智的目标检测20——利用mAP计算目标检测精确度》 推导：
mAP计算
Kevin_liuj的博客
04-22 620
mAP计算 1.precision与recall 首先看一下混淆矩阵: 对于某个类别,假设有N个detections对所有的检测结果按它们的confidence从大到小排序,然后依次取一个结果出来,这样每次计算precision时All detections都要加1,然后计算Precision,这样得到一个长度为N的序列;同样的,每去除一个结果,计算Recall,也得到一个长度为N的序列。 上面公式中的All detections表示该类的所有ground truth。 P...
mAP 计算过程
musk1212的博客
03-24 768
提示：学习数据理解 mAP 的计算过程（平均精度均值）（平均精度），是单个类别的检测性能指标。N：数据集中目标类别的总数（例如，PASCAL VOC数据集有20个类别，COCO数据集有80个类别）。
目标检测中MAP的计算
qq_43241407的博客
02-10 52
在目标检测中模型的评价需要综合考虑预测中目标的位置和类别，图像中经常存在多个目标，二分类中用于评价模型的指标：召回率、准确率等不能表达目标检测中模型的性能。 一、基本概念 1、IOU 计算图中目标的真实边界框与预测得到的边界框的交并比，设置一个阈值α，当交并比大于阈值时认为预测正确。 2、precision 准确率表示所预测的正样本中正确的所占比例，即:pre=TP/(TP+FP) 3、Recal...
map计算方法
起点的专刊
06-13 980
稍后补充！
mAP计算过程详解
m0_37799466的博客
07-21 838
mAP计算过程
根据类别 mAP 计算图像权重
02-20
### 计算基于类别mAP的图像权重 为了提高目标检测或图像分类的效果，可以根据各类别的平均精度均值（mean Average Precision, mAP）来调整图像样本的权重。这样做有助于解决数据集中不同类别的样本数量不平衡问题以及某些类别难易程度差异较大的情况。 #### 方法概述 1. **计算每张图片中每个类别的贡献** 对于给定的数据集，首先统计每一张图片内属于各个类别的对象数目。设某张图片\(i\)含有\(n_i\)个标注框，其中第\(j\)个标注框所属类别为\(c_j\)[^1]。 2. **获取每个类别的mAP** 使用验证集评估模型性能得到每一类别的mAP得分\[ \text{mAP}_k \]，这里\( k \in K \)，表示共有K种类别。 3. **定义加权机制** 基于上述两个因素——即某个特定类别在该幅图中的存在频率及其对应的mAP表现——可以构建一个合理的权重函数w(i,c_k) 来衡量一幅图的重要性： \[ w(i, c_k)=f(\sum_{j=1}^{n_i}\delta(c_j==c_k), \text{mAP}_{c_k}) \] 其中δ是一个指示函数，当条件成立时返回1，否则返回0；而f()则取决于具体应用场景下的需求设定，比如简单的乘法组合或者其他形式的映射关系。 4. **归一化处理** 为了让这些权重能够更好地应用于后续的学习过程中，通常还需要对其进行标准化操作，使其总和等于整个批次大小N: \[ W=\frac{\left[w(1)+...+w(N)\right]}{\sum _{{i}=1}^N w({i})} \] 5. **应用到损失函数** 最终，在反向传播更新参数之前，将此权重矩阵W作用于交叉熵或其他类型的损失项之上，从而实现对困难样例的重点关注并改善整体泛化能力。 ```python import numpy as np def calculate_image_weights(dataset_mAPs, image_class_counts): """ Calculate the weights of images based on class-wise mAP and their presence in each image. :param dataset_mAPs: Dictionary mapping classes to their respective mAP scores. :param image_class_counts: List where each element is a dictionary counting occurrences per class within an image. :return: Normalized list of floats representing weight assigned to each training sample/image. """ # Initialize empty array for storing unnormalized weights raw_weights = [] # Iterate over all images' class counts for img_classes in image_class_counts: total_weight_for_img = sum([dataset_mAPs[class_id]*count for class_id, count in img_classes.items()]) raw_weights.append(total_weight_for_img) # Normalize so that they add up to one (or another constant value depending upon batch size considerations) normalized_weights = [float(i)/sum(raw_weights) for i in raw_weights] return normalized_weights ```
评论 1
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