COCO数据集目标检测输出指标AP、AR、maxDets

最新推荐文章于 2025-10-29 09:07:58 发布
原创 最新推荐文章于 2025-10-29 09:07:58 发布 · 1.8w 阅读 · 121 ·
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。
文章标签：

#目标检测 #ar #计算机视觉

最近在用retinanet进行一个实验，用的coco格式的数据集，输出的结果大致如下：

Loading and preparing results...
DONE (t=0.11s)
creating index...
index created!
Running per image evaluation...
Evaluate annotation type *bbox*
DONE (t=3.98s).
Accumulating evaluation results...
DONE (t=0.76s).
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.803
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.979
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.907
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.706
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.803
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.798
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.799
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.849
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.849
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.745
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.845
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.825

**
在这里插入图片描述

知识太贫乏了，看不懂
后查了资料，这是coco数据集输出的一个检测结果，解释如下：
在这里插入图片描述

1.第一行，是COCO的评价指标
2.第二行，是PASCAL VOC的评价指标
3.第三行，IoU=0.75 相比IOU=0.50是比较严格的一个指标
4.第四行，关注小目标的情况
5.第五行，检测中等目标的
6.第六行，检测大目标的指标
7.第七行，设置目标检测框只有1个
8.第八行，设置目标检测框有10个
9.第九行，设置目标检测框有100个 从图上看，10个和100个的指标值差不多

第八第九行对比看，是为了看目标数的大致情况

在这里插入图片描述

b站有个视频，讲的也是这个，有时间的也可以去看
链接: coco指标解读.

万字长文精解目标检测中的TP、FP、FN、TN、Precision、Recall 、 F1 Score、AP、mAP与AR 。附代码实现。
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-16 8138
mAP（Mean Average Precision）是用于评估对象检测和信息检索系统性能的重要指标。它综合考虑了检测结果的精确度（Precision）和召回率（Recall），提供了一个整体的性能评价。你是否见过下面的表格？这是COCO版本的mAP（即平均精度，他们简称之为AP）。但这个指标到底代表什么呢？这些符号又都代表什么含义呢？在本文中，我们将详细讲解所有必要的理论知识，不仅帮助你解读表格中的数据，还能让你理解采用这种复杂指标的必要性。
YOLOv12计算COCO指标和TIDE指标，小目标检测必备，更全面的评估和指导模型性能，包含完整步骤和代码
Limiiiing的博客
03-10 664
COCO指标能够直观了解模型在目标时的效果；TIDE指标专注于对进行分类和分析，从揭示模型的性能问题，使模型评估更加全面和深入（本文提供了完整的实现代码和配置步骤）。例如，论文中COCO的指标内容展示：论文中TIDE。
AP AR mAP ROC AUC（目标检测）
qq_41917697的博客
04-08 8400
目标检测之AP AR mAP （Evaluation metrics）混淆矩阵中 TP、TN、FP、FNPrecision查准率和Recall召回率P-R曲线AP mAPAR总结 禁止转载！ 在做目标检测任务的时候，通常会制定规则来评估性能，就如下图所示，后面会慢慢道来其中的原理。 混淆矩阵中 TP、TN、FP、FN 在目标检测中，通常以IoU阈值作为正负样本的划分标准。T表示预测对了，F表示预测错了，P和N表示预测值。 Precision查准率和Recall召回率 P-R曲线 P-R曲线是以Pre
COCO数据集训练结果指标
04-14 712
R表示COCO计算时采用的每一个概率阈值，这里是从0到1每间隔0.01（即一个百分点）取一个值，共101的值。A表示检测任务中针对的目标尺度类型，第一个表示没有限制，第二个代表小目标（area < 32。2 < area < 96^2），第四个代表大目标（area > 96^2），共4个值。T表示COCO计算时采用的10个IoU值，从0.5到0.95每间隔0.05取一个值。注意，precision，recall初始化时，所有的数值都是等于-1的。
带你轻松搞懂：YOLO如何计算COCO指标（含大中小目标分析）
最新发布
qq_64693987的博客
10-29 859
本文介绍了如何从YOLO模型出发，通过三个步骤计算目标检测任务中不同尺度目标的评估指标（mAP和AR）。首先使用YOLO模型验证并生成预测结果文件（predictions.json）；然后将YOLO格式的标签转换为COCO标准格式；最后利用COCOAPI计算大、中、小目标的专项评估指标。文中提供了完整的代码实现，包括YOLO标签到COCO格式的转换脚本和评估脚本，能够输出IoU=0.5阈值下不同尺寸目标的AP和AR值，以及完整的评估指标汇总。该方法可以帮助研究者更全面地展示模型在多尺度目标上的检测性能。
目标检测笔记(五)：查看通过COCOEvaluator生成的coco_instances_results.json文件的详细检测信息，包含AP、AR、MR和DR等
源的博客
06-05 3149
COCO数据集中的图片和标注信息可以被用于训练和评估机器学习算法，但是为了保证算法的准确性，我们需要一个评估指标来量化算法的性能。这时候我们若想要通过这个json文件来得到我们的检测指标，各类AP和AR指标以及MR(错误率)和DR(检测率)，就可以通过下面这个代码(只需要指定COCO数据集的标签json文件(和验证的代码一样的json文件)，然后再指定coco_instances_results.json的路径即可。
COCO数据集评价指标
pengxiang1998的博客
03-18 1780
这也就说明我们所使用的图片中的目标个数应该是大于10的。根据先前的知识，我们知道我们一般采用mAP值来作为我们目标检测任务的一个评价指标，这里我们看到有多个AP值，此外还有多个AR值，下面则介绍该评价指标各个参数的含义。我们一般所使用的评价标准为第一个Ap，即IOU从0.5递增到0.95，间隔为0.05一个10个IOU上的一个均值。随后area代表的是目标所占面积的大小。通过该值我们能够观测到该目标检测模型在应对不同尺度的目标的一个检测性能。需要注意的是，这里虽然给出的是AP，但其实际代表的便是mAP值。
目标检测COCO数据集与评价体系mAP
scott198512的博客
01-04 3653
COCO数据集说明与mAP评价体系
COCO 数据集目标检测等相关评测指标
长风破浪会有时，直挂云帆济沧海
01-30 1万+
原文：COCO 数据集目标检测等相关评测指标 - AIUAI COCO Detection Evaluation 1. 评测指标定义 COCO 提供了 12 种用于衡量目标检测器性能的评价指标. [1] - 除非特别说明，APAPAP 和 ARARAR 一般是在多个 IoU(Intersection over Union) 值间取平均值. 具体地，采用了 10 个 IoU阈值 - 0.5...
目标检测之COCO评价指标（含mAP）
Thomas_Cai的记忆殿堂
09-04 2万+
一、基础概念 TP: IoU>0.5的检测框数量（同一Ground Truth只计算一次） FP: IoU<=0.5的检测框，或者是检测到同一个GT的多余检测框的数量 FN: 没有检测到的GT的数量 Precision: TP / (TP + FP) Recall: TP / (TP + FN) PR曲线: Precision-Recall曲线 AP: PR曲线下面积 mAP: mean Average Precision, 即各类别AP的平均值 二、AP、mAP、AR、mAR计算 AP
MS COCO数据集介绍以及pycocotools使用
guoqingru0311的博客
09-20 3080
MS COCO数据集介绍以及pycocotools使用
人体姿态估计coco test-dev 测试集如何测试关键点检测结果（官网在线测试）
sazass的博客
09-29 4256
目前在做2D人体姿态估计的论文实验。 当前遇到一个问题，就是我的模型测试COCO validation set，测试结束后会自动给出结果,mAP,AR的得分。 但是我我的模型测试COCO test-dev set，测试完之后并没有给出得分。 一直一度以为是代码出了问题，后来慢慢得知，测试test-dev的测试集之所以不给出最后的测试成绩，是因为test-dev测试集中并未给出标注。因为给出标注的话更容易让模型通过标注，不正当地获得好的成绩。因此，为了使coco2017 test-dev测试集的成绩更具有信服
目标检测评价指标说明（MS COCO、Metrics、AP、mAP、AR、IoU、置信度、Confidence、TP、FP、TN、FN、pycocotools）
Le0v1n 的博客
10-25 1万+
目标检测评价指标说明 关键词：MS COCO、Metrics、AP、mAP、AR、IoU、置信度、Confidence、TP、FP、TN、FN、pycocotools
深度学习：目标检测的指标AP与mAP是什么
lhzhqq的博客
07-06 2491
在目标检测任务中，通过不同的IoU阈值来进行检测器的整体的性能评估，对于MS COCO目标检测，对于MS COCO关键点检测，官方给出的评价指标为OKS（object keypoints similarity），其评价指标和检测的IoU也很类似，在不同的阈值下来实现整体的性能评估
准确率，精确率(AP)与召回率（AR）
07-19 9358
准确率、精确率和召回率是在目标检测中非常重要的指标，那么它们能反映出模型的结果中的哪些问题呢？如下： 准确率、精确率和召回率的解释： True Positive(真正，TP)：将正类预测为正类数 True Negative(真负，TN)：将负类预测为负类数 False Positive(假正，FP)：将负类预测为正类数误报 (Type I error) False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error) 准确率、精确率和召回率的公式： 准确率（
看懂COCO数据集目标识别性能评价标准AP，AP50，AP75，APsmal等
热门推荐
一江明澈的水的专栏
02-13 4万+
常见机器视觉国际会议论文出现的目标识别评价标准：AP，AP50，AP75等，权威解释如下： Note： 在COCO数据集评价指标中，所有的AP 默认为mAP 。即，AP50=mAP50AP50=mAP50，AP75=mAP75AP75=mAP75，以此类推。   上图中AP的计算方法十分繁琐，来源于早期的VOC challenge，随着VOC的发展，其计算方法也有所变化，例说简述如下： ...
修改COCO评价指标 maxDets=[10,15,20]
G果的博客
10-10 6480
默认的COCO评价指标 maxDets=[1,10,100] 该指标的意思是分别保留测试集的每张图上置信度排名第1、前10、前100个预测框，根据这些预测框和真实框进行比对，来计算AP、AR等值（有点复杂，具体自行百度） 在coco这种公共数据集上，需要一个统一的评价标准【用人家的数据集肯定要用人家定的评价标准】，因此可以看到许多改进算法类的论文在coco数据集上的效果都是用AP、AP50这些表示 我需要的 maxDets=[10,15,20] 但我用的是自己数据集，只是数据格式是coco的格式，评价标准还
COCO评估输出指定某类AP或者输出每个类别AP结果_coco api打印出所有类别的ap值
2401_83946826的博客
04-15 1073
最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！
理解COCO的评价指标：AP，AP50，AP70，mAP，AP[.50:.05:.95]
qq_27095227的博客
04-11 3万+
中文博客： https://blog.youkuaiyun.com/zdh2010xyz/article/details/54293298 https://blog.youkuaiyun.com/hysteric314/article/details/54093734?tdsourcetag=s_pctim_aiomsg 英文博客（可能要墙）： https://towardsdatascience.com/evaluat...
coco数据集及pycocotool
03-11
### COCO 数据集与 PyCOCOTools 使用指南 #### 什么是 COCO 数据集？ Common Objects in Context (COCO) 是一个大型图像数据集，旨在推动计算机视觉技术的发展。该数据集不仅提供了丰富的对象类别标签，还包含了分割掩码、关键点标注等多种信息[^5]。 #### 主要特点： - **多样的物体实例**：超过33万张高质量的自然场景图片。 - **详细的注解**：每幅图平均含有五个目标框，并附带姿态估计等细节描述。 - **广泛的应用领域**：适用于物体识别、语义/实例分割等多个研究方向。 #### 安装 PyCOCOTools 库 为了方便处理 COCO 格式的标注文件，官方提供了一个名为 `pycocotools` 的工具包。通过它能够轻松加载 JSON 文件中的元数据，计算 IoU（Intersection-over-Union），绘制边界框等等操作[^4]。 可以利用 pip 命令来安装这个库： ```bash pip install pycocotools ``` #### 加载 COCO 数据集 下面是一段简单的 Python 脚本用于演示如何读取 COCO 数据集并获取特定类别的所有图片ID列表: ```python from pycocotools.coco import COCO import os # 初始化COCO API接口 dataDir = '/path/to/coco' dataType = 'val2017' # 或者'train2017',取决于使用的子集 annFile = '{}/annotations/instances_{}.json'.format(dataDir,dataType) coco=COCO(annFile) # 获取指定类名对应的catIds catIds = coco.getCatIds(catNms=['person','dog']) imgIds = coco.getImgIds(catIds=catIds ) print(f"Total images with person or dog annotations: {len(imgIds)}") ``` 这段代码展示了如何初始化 COCO 类的对象，查询某几个分类下的所有样本编号，并打印总数目。 #### 计算评价指标 PyCOCOTools 还支持直接调用函数来进行性能评测，比如 AP 和 AR 等常用度量标准。对于给定的结果预测文件，可以通过如下方式快速获得各类别上的 mAP 数值： ```python from pycocotools.cocoeval import COCOeval resFile='/path/to/results.json' cocoDt=coco.loadRes(resFile) cocoEval = COCOeval(coco,cocoDt,'bbox') cocoEval.evaluate() cocoEval.accumulate() cocoEval.summarize() print('Average Precision (AP) @[ IoU=0.50:0.95 | area=all | maxDets=100 ] = %.3f'% cocoEval.stats[0]) ``` 这里使用了 `COCOeval` 来对比真实情况(`coco`)同检测结果(`cocoDt`)之间的差异，最终输出整体表现统计摘要。
评论 5
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