mAP在计算机视觉中的应用

最新推荐文章于 2025-04-08 17:24:14 发布
转载 最新推荐文章于 2025-04-08 17:24:14 发布 · 940 阅读 · 2

本文深入探讨了评估图像分类和目标检测算法性能的关键指标——平均精度(mAP)，详细解释了准确率(Precision)、召回率(Recall)、F值等概念，并介绍了如何绘制P-R图，以及mAP在PASCAL VOC等竞赛中的应用。

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

要谈mAP必须先说一下，精准率(Precision， P值)和召回率(Recall，R值).P值和R值最初是信息检索领域的评价指标.

准确率Accuracy
这个概念是指分类的准确率，也就是分类准确的样本与样本总数之比.

举个例子：
假设一个样本集中有100个样本，其中99个负样本，1个正样本.

碰巧某个分类器的原理就是所有样本均判为负，那个这个分类器的accuracy就是99%.这比很多算法厉害的分类器都厉害.但是仔细想想，如果总样本中只有1个负样本但是有99个正样本，那个这个分类器，那个这个分类器的正确率将是1%. 
由此可以发现，accuracy的值与样本集中正负样本的比例关系很大.通常情况下，我们希望的算法是在不同场景下表现都比较好的算法，也就是泛化能力强的算法，显然accuracy并不能作为算法泛化能力的衡量.

P值和R值和F值
Precision中文可以翻译为“查准率”（有时候也翻译为“准确率”），也就是返回的结果中希望得到的结果所占的比例. 
Recall中文可以翻译为“查全率”或者通常说的“召回率”，也就是返回的结果希望得到的结果占总样本中所有希望的得到的结果的比例. 
这两个值都是标量，需要进行计算.数学通常希望把一个概念数字化，于是想想一种场景:比如一个搜索引擎中共有n条数据，关于“图像语义分割”的数据有m条，经过搜索，返回了k条.这k条中有一部分是和“图像语义分割”相关的，也有一部分不是.于是就有了以下几个量: 
 1
很容易可以看出，查准率P值和查全率(召回率)R值的值应该等于： 
 
简单理解一下，其实P值就是找的准，R值就是找的全.理想情况下如果以R值为横坐标，P值就一直为1.这样两者的乘积就是1.(其实这种图就是P-R图，可能有的人不太理解里边的原理，下边会说).但是实际中 
往往P值和R值是矛盾的.比如，把所有结果都返回，则R值为100%，但是此时P值就很小；如果只取一个结果且是期望的，那么P值为100%，但是此时显然没有选出全部的（R值很小）. 
通常情况下，对于一个模型的P值和R值需要综合考虑（为什么？既然提出来了两个，肯定都要考虑一下了，就像山就在那里）.这个时候就引出了 F-measure ，也就是F值. 
 3

4
关于F值这里就不多说了，其中参数beta是根据不同的场景进行调节的.更常用的是F1度量: 


mAP
本文是要讲mAP的，终于前面铺垫了这么多，可以开始讲mAP了.但是，为了讲述mAP，这里还需要先说一下如何画P-R图. 
P-R图：制定一个类别，根据学习器下每个样本对这个类的预测结果进行排序，排在前面的是学习器认为“最可能”的正例样本，最后的是“最不可能的”.按照此顺序逐个把样本作为正例进行预测（1个正例，2个正例，…），则每次可以计算出当前的R值和P值，然后以R值为横轴、P值为纵轴记性作图.就得到了P-R图. 
 5
应该比较容易想到B系统比C系统在这个场景下表现好(自己想想为什么). 
为了能够量化分类器的性能比较，通常采用Average Precison来作为度量标准， 连续图中AP应该是P对R在[0,1]上的积分，实际上P-R图中的值是离散值，化为sum即可. 
而mAP是对所有类别的AP值的平均，也就是所有的AP值求和除以类数.顺便说一句，average是也就是对recall取平均的，mean是对类取平均. 
现在的图像分类论文基本都是用mAP作为标准，PASCALVOC的多个屏幕项目也都是使用mAP作为标准的.

图片来自西瓜书
--------------------- 
作者：明天去哪 
来源：优快云 
原文：https://blog.youkuaiyun.com/u014451076/article/details/70308389 
版权声明：本文为博主原创文章，转载请附上博文链接！

AI在计算机视觉中的典型应用
AI天才研究院
04-24 798
1. 背景介绍 1.1 计算机视觉概述 计算机视觉（Computer Vision）是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研
目标检测中的mAP值及其在计算机视觉中应用
JjtlReact的博客
09-17 680
本文将介绍mAP值的概念及其在自定义数据集上的适用性，讨论如何提高目标检测的精度并丰富实验数据，最后给出相关的源代码示例。在目标检测任务中，Precision表示预测为正样本的结果中真正为正样本的比例，Recall表示真正为正样本的结果中被正确预测为正样本的比例。然后，通过训练目标检测模型，在测试集上计算mAP值来评估模型的性能。综上所述，mAP值在目标检测任务中具有重要的意义，在自定义数据集上适用性强，并且可以通过精确对齐精度、丰富实验数据和便于对比的方法来提高目标检测的性能。五、便于对比的实验数据。
计算机视觉基础之mAP
黄小黄的窝
10-15 3849
## mAP mAP定义及相关概念 mAP：mean Average Precision，即各类别AP的平均值 AP：PR曲线下面积 PR曲线：Precision-Recall曲线 Precision：TP/(TP+FP) Recall:TP/(TP+FN) 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 图像检索mAP 图像检索中的mAP和目标检测中的mAP
计算机视觉中的MAP的理解（mean average precision）
dream_to_dream的博客
12-16 3013
计算机视觉中的MAP的理解（mean average precision）精准率(Precision， P值)和召回率(Recall，R值)下面我们来讲AP（average precision）MAP（mean average precision） 精准率(Precision， P值)和召回率(Recall，R值) 在MAP的计算过程中，不得不谈的就是p指和R值，准确率或查准率（P值）Accuracy，指分类的准确率，也就是分类准确的样本与样本总数之比。召回率（R值）Recall中文可以翻译为“查全率”或者
AP R P mean average precision（MAP）在计算机视觉中的计算和应用
qq_35608277的博客
01-16 4823
MAP的计算步骤（eg.10类） 检测为例： 1.先把所有bounding box找出来 并加上confidence 2.然后每一类根据confidence从大到小排列 3.每个confidence算出其recall和precision得到每一类的ap曲线 4.取mean 具体来看 1. precision 和 recall 的计算： 图中上部分，左边一整个矩形
【计算机视觉 | 目标检测】目标检测中的评价指标 mAP 理解及计算（含示例）
wzk4869的博客
05-20 1万+
【计算机视觉 | 目标检测】目标检测中的评价指标 mAP 理解及计算（含示例）
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
最新发布
Sapphire521的博客
04-08 615
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。
计算机视觉四大任务（分类、定位、检测、分割） 计算机视觉.pdf
04-21
在计算机视觉中，卷积神经网络（Convolutional Neural Networks，CNN）是一种常用的深度学习算法。CNN 由多层组成，每层都是一个卷积层或池化层。卷积层用于捕获图像的局部信息，而池化层用于减少图像的维数。 卷...
计算机视觉-模型学习和推理笔记第四章 计算机视觉.pdf
04-21
"计算机视觉-模型学习和推理笔记第四章 计算机视觉.pdf" 从给定的文件信息中，我们可以提取出以下几个重要的...这些知识点都是计算机视觉和机器学习中非常重要的概念，它们可以帮助我们更好地理解和应用机器学习算法。
计算机视觉系列-交并比和mAP（10）
大模型与Agent智能体
01-30 1005
计算机视觉系列-交并比和mAP（10） 目录IOU交并比mAP平均准确率均值FPS IOU交并比 mAP平均准确率均值 TP: IoU>0.5的检测框数量 FP: IoU<=0.5的检测框 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曲线下的面积，综合考量了 recall 和 precision 的因素，判断模型识别的好坏。 mAP: mean
大中小目标的平均精确度（mAP）值对于计算机视觉中的目标检测任务至关重要
YjmnDatabase的博客
09-21 534
在这里，我们将大目标定义为边界框的宽度和高度大于等于64像素，中目标定义为边界框的宽度和高度大于等于32像素且小于64像素，小目标定义为边界框的宽度和高度小于32像素。mAP值是一种常用的评估指标，用于衡量检测算法在不同目标尺寸上的性能。本文将介绍如何计算适用于自定义数据集的大、中、小目标的mAP值，并提供相应的源代码。对于不同尺寸的目标，检测算法可能表现出不同的性能。因此，综合考虑大、中、小目标的检测精度是评估算法性能的关键。我们可以根据边界框的宽度和高度将检测结果分为大、中、小三个类别。
目标 检测：mAP
Wei_sx的博客
02-17 1613
概念：mAP是针对多类别目标检测任务的一种综合评估指标。它通过计算每个类别的平均精度（AP），然后得到所有类别AP的平均值，从而衡量模型在所有类别上的整体性能。重要性：mAP被广泛应用于各大目标检测的基准数据集（如COCO、PASCAL VOC等），因为其提供了更全面、更细致的性能评估方式，能够反映模型在多个类下的表现差异和优势。
目标检测模型mAP计算方法与对比步骤——对比原模型与量化模型之间的mAP
知来者逆的博客
06-07 3829
转换或者量化模型是为了提高模型推理速度，但往往会对模型精度产生影响，这里演示了验证与评估模型转换与部署在mAP上的对比
深度学习与计算机视觉 看这一篇就够了
热门推荐
u012507022的博客
05-18 15万+
来源：http://www.leiphone.com/news/201605/zZqsZiVpcBBPqcGG.html#rd 人工智能是人类一个非常美好的梦想，跟星际漫游和长生不老一样。我们想制造出一种机器，使得它跟人一样具有一定的对外界事物感知能力，比如看见世界。 在上世纪50年代，数学家图灵提出判断机器是否具有人工智能的标准：图灵测试。即把机器放在一个房间，人类测试员在另一个房间
准确率(Accuracy), 精确率(Precision), 召回率(Recall)
ytusdc的博客
11-09 2964
       对于分类问题而言，一个模型训练好了之后需要判断模型的性能好坏，常用的评价指标有这些：Accuracy（准确率），Precision（精确率，又叫查准率），Recall（召回率,又叫查全率） 先以最简单也是最常见的二分类为例说明: 假如某个班级有男生80人,女生20人,共计100人.目标是找出所有女生. 现在某人挑选出50个人,其中20人是女生,另外还错误的把30个男生也当作女生...
map详解
MLJYHP的博客
07-31 2067
map<数据类型1,数据类型2> 名字；int,char,string,short,double,float,long long,struct//自定义你可以将map理解为数组它的数据类型1就好比数组的下标，他的数据类型2就相当于数组每个位置的值。^ ^| |关键字(key) 关键字的值(value)比如:mp[1]=1;//跟数组一样或:或个人跟推荐第一种。map的查找：//如果没到会返回mp.end()，为什么不是mp.end()+1呢？因为map是左闭右开的。
【深度学习小常识】什么是mAP？
04-13 1万+
目录 一、mAP相关概念 1、正例与负例 2、P（精确率） 3、R（召回率） 4、ACC（准确率） 5、AP（平均精确度） 6、示例 二、mAP 1、mAP简介 2、P—R曲线 学习深度学习，总会有各种各样的概念，对于刚入门的小白来说，真的是越看越迷糊。比如我们今天要说的，什么是mAP？于是我问了一下度娘… 看完这个之后，我的表情是这样的 我们看相关论文的时候，很明显啊，这个东东和地图有什么关系？ 所以到底什么是我们在深度学习论文中所说的mAP呢？ 一、mAP相关概念 首先要给大家介绍几个常见的模型评
mAP的计算方法
weixin_45144055的博客
05-21 1万+
1、mAP介绍 mAP是mean Average Precision的缩写，用于评价目标检测与分类的效果。AP是指一个类别的平均精度，它表示模型在某一个类别上的效果。mAP是所有类别AP的平均值，表示模型在所有类别上的整体效果。 2、精度和召回率 3、实例绘制PR图 假设我们的任务是“猫狗二分类”，下面来计算“猫”这一类别的AP。假设测试集共有8个样本（8张图片img1-img8），共预测出15只猫（15个预测框bbox1-bbox15）。 下表为按照置信度（预测分数）排序后的结果： 上表对应的PR图如
计算机视觉中map
03-12
### 计算机视觉中的mAP指标解释 在计算机视觉领域，特别是目标检测任务中，mAP（mean Average Precision）是一个广泛使用的性能度量标准。这一指标衡量模型预测框与真实标注框之间的匹配程度。 #### 定义与意义 mAP是所有类别平均精度(Average Precision, AP)的均值[^1]。对于每一个类别而言，AP反映了该类别的精确率(Precision)随召回率(Recall)变化的情况，即PR曲线下方区域所占的比例。通过求解各个分类下的AP并取其平均值得到最终的mAP分数，这有助于全面评估算法在整个数据集上的表现而不局限于单一类别。 #### 计算过程 为了获得某个特定类别的AP： 1. 首先按照置信度得分对候选边界框进行降序排列； 2. 对于每个预测结果，判断是否为真阳性(True Positive)，假阳性和误报(False Negative); 3. 使用这些信息来构建P-R图表； 4. 最终计算此图下面包围的总面积作为AP； 当涉及到多标签或多实例场景时，则需重复上述步骤直至覆盖全部种类，并汇总成总的mAP数值。 ```python def calculate_ap(precisions, recalls): """Calculate the average precision from precisions and recalls.""" ap = 0. for t in np.linspace(0, 1, 11): # VOC Pascal uses 11-point sampling if np.sum(recalls >= t) == 0: p = 0 else: p = np.max(precisions[recalls >= t]) ap += p / 11. return ap def mean_average_precision(ap_per_class): """Compute mAP by averaging over all classes' APs""" return sum(ap_per_class.values()) / len(ap_per_class) ``` #### 应用范围 mAP不仅适用于静态图像的目标识别，也扩展到了视频序列分析等领域，在自动驾驶汽车感知系统、安防监控等多个实际应用场景发挥着重要作用。它能够有效地比较不同模型间的表现差异，帮助研究者们优化网络结构设计和参数调整策略。
评论
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