mAP解释

最新推荐文章于 2023-05-28 19:53:49 发布

原创最新推荐文章于 2023-05-28 19:53:49 发布 · 364 阅读

0 ·

CC 4.0 BY-SA版权

AP用来处理目标检测问题，Precision和Recall只能处理分类问题。

mAP处理多目标问题，对AP进行简单平均。

mAP计算的两个参数

（1）IoU确定一个检测结果（Positive）是正确的（True）还是错误的（False）。

解释：1的confidence score表所有结果都是预测框，IoU决定了label的值，也就决定了预测是否是对的。

IOU阈值可以人为确定= 0.5，COCO数据集的评估指标建议对不同的IoU阈值进行计算。

（2）置信度（confidence score）确定预测框是Positive还是 Negative。

解释:小于设定的置信度的结果都不认为是真。

必须用PASCAL VOC CHALLENGE的标准来解决问题，因为不同的模型置信度归一化或者说计算方法不同。

参考文章

1.性能指标（模型评估）之mAP

https://blog.youkuaiyun.com/u014203453/article/details/77598997

2.最完整的检测模型评估指标mAP计算指南（附代码）在这里！

https://blog.youkuaiyun.com/l7H9JA4/article/details/80745028

文章1对mAP的计算过程讲解较清晰，但是没指出怎么给出ground truth label，也就是没解释IoU起到的作用。

文章2给出了ground truth的解释：计算每个Positive预测框与ground truth的IoU值，并取最大的IoU值，认为该预测框检测到了。然后根据IoU阈值（VOC取0.5），得到label为1的检测框，剩下的都是label为0。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

ME2CS

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

mAP 理解及求解

小猫猫的博客

10-15

1504

mAP是目标检测中常用的一个度量检测结果的评价标准，全称是mean average precision，理解这个概念之前，需要了解一些其他的概念。文章主要分为三部分：关于mAP的几个概念，PR曲线以及常见的三种计算mAP的方式。 1、相关概念 1）第一组： True Positives(TP)：真正例（以为是正，实际是的） FALSE Positives(FP): 假正例...

目标检测map理解

scut_salmon的博客

07-18

2272

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...

参与评论您还未登录，请先登录后发表或查看评论

Java 集合深入理解（14）：Map 概述

weixin_34279184的博客

10-26

289

点击查看 Java 集合框架深入理解系列， - ( ゜- ゜)つロ乾杯~ 终于把 List 常用的几种容器介绍完了，接下来开始 Map 的相关介绍。什么是 Map Java 中的 Map 接口是和 Collection 接口同一等级的集合根接口，它表示一个键值对 (key-value) 的映射。类似数学中函数的概念。数学中的函数： ...

HashMap解读一

u010741032的博客

08-24

375

简介 JDK1.8对HashMap进行了很大的优化，其中最显著的特点就是底层的实现变成变成了数组+链表+红黑树，下面我们看一下底层的实现。默认值 //// 默认容量 static final int DEFAULT_INITIAL_CAPACITY = 1 << 4; //最大容量 static final int MAX...

Map简单详解

pink_s的博客

10-12

263

HashMap JDK1.7:数组+链表 JDK1.8之后：数组+链表+二叉树 Hashmap数据结构是由数组（table）+链表（entry）组成，每个entry对应着一个table的索引页对应着一个唯一的hash地址值我们看到Hashmap在使用空参构造的时候会默认加载一个长度为16，加载因子为0.75的集合 HashMap的put方法（保证key的唯一性） Hashmap在put的...

Map集合的源码解读

保持愤怒

09-21

1759

1.我们先来看一下map的接口 package java.util; public interface Map&lt;K,V&gt; { boolean isEmpty(); boolean containsKey(Object key); boolean containsValue(Object value); V get(Object key); ...

电机map图绘制

03-07

6. **结果解释**：根据Map图解析电机在不同工况下的表现，如高效区、最大功率点等。在实际应用中，电机Map图对于优化电机设计、选择合适的驱动策略以及预测系统性能至关重要。通过理解并使用提供的MATLAB程序和...

js中的数组，Map，Set的基本使用

xinxxxxxxxxx的博客

02-21

841

js中的queue，map，set的基本使用 queue let queue = []; //push queue.push(1); [1] queue.push({a:1}) [{a:1}] //splice 删除并返回队首值 queue.shift() set let set = new Set(); //add set.add(1); //has set.has(1); map let mp = new Map(); //has 判断是否存在某个key mp.has(1); //get

M_Map 用户指南（中文版）.pdf

11-24

以下是关于 M_Map 的关键知识点的详细解释： 1. **入门**：首先，你需要下载并解压 M_Map 的文件，然后确保它位于 MATLAB 的搜索路径中。你可以通过 `cd` 切换到正确目录或使用 `addpath` 添加路径。运行 `m_proj`,...

STL-map.rar_C++ map_C++map_map stl_stl map

09-22

在这个“STL-map.rar”压缩包中，我们找到了名为“STL-map.mht”的文件，它可能包含有关C++ `map`的详细解释和实例代码。 `map`的主要功能是提供一种基于键进行查找的数据结构，它的内部实现通常是一个红黑树，确保...

最全面的HashMap解读

sixabs的博客

07-19

285

下图是JDK 1.8中HashMap在Idea中查看的整体结构，关于最重要的部分，我在图中添加了文字说明。下面将从默认静态常量，成员变量，构造函数，核心方法，迭代遍历，与JDK1.7中的不同等6个方面进行学习。 1 六个静态常量能搜到这篇文章，说明你对散列，链表，HashMap等知识有一定了解了。 // 默认初始容量 - 必须是2的幂。 static final int DEFAULT_INI...

mAP理解

caojinpei123的博客

10-30

436

这篇博客讲的很清楚：https://blog.youkuaiyun.com/Elva_23/article/details/83310350 错误率：分类错误样本占样本总数的比例；精确度：分类正确样本占样本总数的比例；漏检率：误检率 TP:正例被预测为正例（真正例）； FN:正例被预测为反例(假返例)； FP:反例被预测为正例（假正例）； TN:反例被预测为反例（真反例）；其中T和F表示...

2020-11-02

weixin_44937409的博客

11-02

278

对于目标检测中mAP@0.5的理解文章目录前言 mAP@0.5 AP是Precision-Recall Curve(PRC)下面的面积！！！理一下思路参考前言一直不是很理解目标检测中的mAP是如何的，今天具体来写一下，加深一下理解。 mAP@0.5 mAP@0.5：mean Average Precision 通俗来说，就是给每一类分别计算AP，然后做mean平均。那AP是什么呢，之前我一直以为是Average Precision，没错，就是平均精确度，可是这个怎么定义呢？ AP是Precis

mAP的一点理解

毛财胜的专栏

03-01

2505

mAP:全称mean average precision(平均准确率)，信息检索中常用的评价指标（可参考信息检索的评价指标(Precision, Recall, F-score, MAP) ）。每一次检索结果的好坏通过AP（average precision）来衡量，mAP则为多次检索，取其平均值。AP的计算摘自：https://www.kaggle.com/wiki/MeanAverage

人工智能学习07--pytorch19--目标检测：常见指标（mAP计算+coco评价标准）

AMWICD的博客

05-28

1599

若一个 GT 有多个预测边框，则认为 IOU 最大且大于等于 0.5 的预测框标记为 TP，其他的标记为 FP，即一个 GT 只能有一个预测框标记为 TP。FN就是把检测对象检测为背景的那些检测框的数量，也就是一些被检测错误（F）为负样本（N）的样本，它们本来应该被检测为正样本。因为预测的两个边界框预测的目标都是第一只猫，所以ID都是1，预测给出的数值是置信度，不是IOU，IOU是预测框与真实框的交并比。如果这两个差距很小的话，可以减少检测的目标个数，可以提高一些目标检测的效率。

人工智能AI基本概念整理 2 feature map、卷积核、卷积核个数、filter、channel的概念解释

生活需要深度

04-12

1154

这个宽度可以手动指定，一般网络越深的地方这个值越大，因为随着网络的加深，feature map的长宽尺寸缩小，本卷积层的每个map提取的特征越具有代表性（精华部分），所以后一层卷积层需要增加feature map的数量，才能更充分的提取出前一层的特征，一般是成倍增加（不过具体论文会根据实验情况具体设置）！在同一层，我们希望得到对于一张图片多种角度的描述，具体来讲就是用多种不同的卷积核对图像进行卷，得到不同核（这里的核可以理解为描述）上的响应，作为图像的特征。在cnn的每个卷积层，数据都是以三维形式存在的。

深度学习图像处理（分类or检测）中结果的评价方法-mAP简介

Mingjian_LI的博客

01-13

1万+

多标签图像分类（Multi-label Image Classification）任务中图片的标签不止一个，因此评价不能用普通单标签图像分类的标准，即mean accuracy，该任务采用的是和信息检索中类似的方法—mAP（mean Average Precision）。mAP虽然字面意思和mean accuracy看起来差不多，但是计算方法要繁琐得多。 P-R曲线的绘制

能懂系列之 Map 详解

Java学习之道

08-27

5490

长按识别下方二维码，即可"关注"公众号每天早晨，干货准时奉上！序今天我们来说一说java中超级重要的map集合.1、map集合概述publicinterfaceMap...

理解目标检测当中的mAP

最新发布

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 ``` ---