关于ap，mAP的理解和计算

最新推荐文章于 2025-06-25 16:52:12 发布
最新推荐文章于 2025-06-25 16:52:12 发布
阅读量6.9k 收藏 3
点赞数
本文精选了优快云上两篇技术博客的内容，涵盖了信息技术领域的深入探讨，包括编程技巧、算法优化及软件开发实践等关键主题。

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

AP &mAP
@bangbang的博客
08-05 344
1、 PASCAL VOC 数据集 AP 衡量的是学习出来的模型在每个类别上的好坏 MAP衡量的是学出的模型在所有类别上的好坏。MAP就是取所有类别上AP的平均值 对于PASCAL VOC 挑战，如果IOU>0.5，则预测为正样本（TP）。但是，如果检测到同一目标的多个检测，则视第一个检测为正样本(TP),其余检测为负样本(FP) 2、 COCO AP &mAP AP@.50 means the AP with IoU=0.5 (AP：所有类别上的平均准确率)
【模型评估】AP 和他的兄弟们：mAP、AP50、APs、APm、APl
钱多多先森
06-13 1万+
Average precision，简称AP的概念和Python实现
AP与mAP的详解
xw_2_xh的博客
03-05 3万+
AP和mAP是图像分类任务中的评价方法。 mAP的计算方法： 1、首先使用训练好的模型获得所有测试样本的confideutnce score，每个类别（如person、car等）都会获得一组confidence score，假设现在共有20个测试样本，如下给出这20个样本的id、confidence score、真实标签ground truth label。 2、按照上图中的score值...
【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 1468
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～
AP和mAP
petSym的博客
03-06 767
http://blog.sina.com.cn/s/blog_9db078090102whzw.html
【AP和mAP】
Watson的博客
10-07 757
ap、mAP多标签图像分类任务的评价方法 史上最易懂AP、mAP计算解析 将检测结果按score排序 分别介绍top1到top-N的precison和recall 绘制recal-precision曲线 介绍PR曲线下的面积，即为AP mAP即为各个class的AP的平均值 mAP@IOU=0.5:0.95 指区间【0.5:0.05:0.95】内10个IOU取值下的mAP的平均值 mAP50：指IOU=0.5的判定标准下 mAP75：指IOU=0.75的判定标准下 mAP area=small | med
AP，mAP
W1995S的博客
03-21 1941
AP（Average Precision） AP (Average precision)是主流的目标检测模型的评价指标。 定义：平均精度，就是对PR曲线上的Precision值求均值，即PR曲线下的面积。 由于IoU有三种计算方式，对应地，AP也有三种计算方式：AP(2D)、AP(3D)、AP(BEV) 用途：用来衡量算法在单个类别上的平均精度。AP值越高，表示对这个类别的检测精度越高。 计算：积分，或可采用11点插值法和所有点插值法来估算AP值。 但是在实际应用中，我们不是去对其进行计算，而是对其平滑操
史上最易懂AP、mAP计算解析
热门推荐
修木的博客
04-08 4万+
博主最近也有在接触目标检测相关的相关研究，其中有一个环节博主卡了很久，那就是AP的计算过程。相信大家都看到过很多关于AP的介绍，但是都很空泛，而且大家的答案都是千篇一律，我们只能看个大概，但是一到看代码或者是要自己写代码的时候具体怎么操作就不会了。博主在学习的时候看到一篇英文的关于AP的介绍十分的详细，最最最关键的是它还有例子。这里放上原文的链接：https://github.co...
关于AP， MAP的一些理解
m0_37857151的博客
10-28 2242
涉及概念： 平均精度（AP：Average Precision）、平均精度均值（mAP：Mean Average Precision）、查准率（precision）、查全率（recall），IOU（Intersection over Union）、置信度阈值（confidence thresholds）   查准率（precision）和查全率（recall，召回率）： 对于二分类问题，可...
AP的理解和计算
qq_31355669的博客
08-18 2078
AP的理解和计算 AP：Average Precision，指大多是学出的模型在某类的平均精度 MAP:mean Average Precision，指衡量的是学出的模型在所有类别的一个平均精度 适用范围： 1：多标签图像分类（Multi-label Image Classification）------任务中图片的标签不止一个 2：目标检测--------建议框的回归 目标：引入精确度和召回率，...
目标检测mAP计算代码
11-24
目标检测是计算机视觉领域中...通过理解和使用这样的mAP计算代码，你可以对自己的目标检测模型进行准确评估，找出性能瓶颈，并针对性地优化模型。这在算法开发和论文发表中至关重要，因为mAP是评价模型性能的通用标准。
机器学习性能评估指标之​AP（平均精度）​ 和 ​MAP（平均精度均值）
浩瀚之水的专栏
03-24 2933
在目标检测、信息检索和多分类任务中，​AP（Average Precision，平均精度）​ 和 ​MAP（Mean Average Precision，平均精度均值）​ 是衡量模型排序质量和类别区分能力的重要指标。
深度学习从入门到精通——AP以及MAP概念解释
swpucwf的博客
09-08 8257
知道了AP的定义，下一步就是理解AP计算的实现，理论上可以通过积分来计算APAP=∫01P(r)drAP=∫01​P(r)dr但通常情况下都是使用近似或者插值的方法来计算 AP。
评价指标——P，AP，MAP
li8zi8fa的博客
07-18 1万+
P：precision，预测正确的个数/测试总个数 AP：average precision，每一类别P值的平均值 MAP：mean average precision，对所有类别的AP取均值 ×××××注意：这里的P与预测顺序有关。             例如：假设有两个查询，查询1有4个相关文档，查询2有5个相关文档。某系统对查询1检索出4个相关文档，其rank分别为1,2,
【目标检测】目标检测算法评估指标(性能度量) AP，mAP 详细介绍
__阿健__的博客
10-09 8391
如何评估(evaluate)目标检测算法的表现(performance)？ 目标检测算法的评估 和 分类算法的评估 有所不同，在目标检测任务中，我们即需要 识别出正确的目标类别，又需要 定位出准确的目标位置。 评估目标检测算法性能 最常用的指标 是 AP (average precision，针对单类别) 和 mAP (mean AP，针对多类别)。
深度学习：目标检测的指标AP与mAP是什么
lhzhqq的博客
07-06 2308
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
目标检测指标：AP，mAP
qq_43949166的博客
10-09 2158
AP通过估计曲线的AUC来评估目标检测模型的准确率。根据曲线使用的插值方法，有两种不同的AP计算方法。不同工作中和AP实现中缺乏共识是学术和科学界面临的问题。用不同计算语言编写的度量实现通常与相应的数据集一起分发，共享给定的边界框描述。这些项目确实为社区提供了评估工具，但需要额外的工作来适应其他数据集和边界框格式。本工作回顾了用于对象检测的最常用度量标准，分析了它们的差异、应用和主要概念。
深度学习中的AP和mAP总结
beizhengren的博客
10-26 1万+
1. IOU是什么 首先给出IOU定义 Bp是预测框（predicted bounding box）。 Bgt是真实标注的框（ground truth bounding box）。 IOU就是Bp与Bgt的区域交集面积大小除以并集面积大小，如下图 2. Precision和Recall是什么 2.1 TP、FP、FN、TN True Positive (TP): 是一种正确的检测，检测的 IOU ≥ threshold。 False Positive (FP): 是一种错误的检测， 检测的 IOU &l
【目标检测】常用概念AP和mAP
qq_36926037的博客
05-28 2763
一、基础概念 1.1 IOU（Intersection Over Union）   IOU阈值用来表示两个边界框之间的重合度                       1.2 TP、FP、FN、TN   True Positive (TP): A correct detection正确预测. Detection with IOU ≥ threshold   False Positive (FP): A wrong detection错误预测. Detection with IOU < thresho
AP和mAP区别
03-17
<think>好的，用户现在问的是AP和mAP的区别，我需要先回顾一下之前讨论的内容。之前用户问的是权重残差链接（WRC），而这次是关于目标检测中的评估指标。所以可能需要先确认用户是否了解目标检测的基础知识，但根据问题本身，用户可能已经有一定了解，但需要明确两者的区别。 首先，AP是Average Precision，即平均精度，通常用于单一类别的检测任务。而mAP是mean Average Precision，即平均AP，是对多个类别的AP取平均。我需要详细解释这两个概念，以及它们在不同场景下的应用。 我需要分步骤解释，结构清晰。可能先定义AP，然后解释mAP，再对比两者的区别。同时要确保使用正确的中文术语和LaTeX格式。用户之前的对话中，系统级指令要求数学表达式用$...$和$$...$$，所以要注意这一点。 还要考虑用户可能的背景。用户可能在研究目标检测模型，或者在准备论文，需要准确区分这两个指标。用户可能想知道在什么情况下使用AP，什么时候用mAP，以及它们的计算方式有什么不同。 需要检查是否有常见的误解需要澄清。例如，AP是否只用于单一类别，而mAP是多类别的平均。另外，可能还需要提到不同数据集（如PASCAL VOC和COCO）中mAP的计算差异，比如使用IoU阈值不同，或者是否考虑不同IoU下的平均。 最后，总结部分要简明扼要，强调两者的核心区别和应用场景。确保回答真实可靠，结构清晰，符合用户的要求。</think>以下是关于AP（Average Precision）和mAP（mean Average Precision）的对比解析： --- ### 一、基础定义 1. **AP（平均精度）** - **核心作用**：评估**单一类别**的检测性能 - **计算步骤**： 1. 按置信度排序预测结果 2. 计算不同召回率下的精度值 3. 绘制Precision-Recall曲线 4. 计算曲线下面积（AUC） 2. **mAP（均值平均精度）** - **核心作用**：评估**多类别**检测系统的整体性能 - **计算步骤**： 1. 对每个类别单独计算AP 2. 对所有类别的AP取算术平均 --- ### 二、数学表达对比 | 指标 | 公式 | 参数说明 | |------|-------------------------------|---------------------------------| | AP | $$AP = \int_0^1 p(r) dr$$ | $p(r)$: 召回率为$r$时的精度值 | | mAP | $$mAP = \frac{1}{C}\sum_{c=1}^C AP_c$$ | $C$: 类别总数，$AP_c$: 第$c$类的AP | --- ### 三、关键差异点 | 特征 | AP | mAP | |---------------------|-------------------------------|-------------------------------| | 适用场景 | 单类别任务（如人脸检测） | 多类别任务（如COCO数据集） | | 敏感性 | 反映特定类别性能波动 | 体现模型整体泛化能力 | | 计算复杂度 | 较低（单曲线计算） | 较高（需遍历所有类别） | | 典型应用 | 二分类问题评估 | 多目标检测竞赛标准指标 | --- ### 四、实例说明 **PASCAL VOC数据集评估**： - **AP计算**：对20个类别分别计算AP - **mAP计算**：将20个AP值平均 - 当某类AP=0.9，另一类AP=0.7时： $$mAP = \frac{0.9+0.7}{2} = 0.8$$ **COCO数据集扩展**： - 采用**mAP@[0.5:0.95]**（在不同IoU阈值下计算平均值） - 计算公式： $$mAP = \frac{1}{10}\sum_{t=0.5}^{0.95} mAP_{IoU=t}$$ --- ### 五、常见误区澄清 1. **不是简单平均关系**： - mAP计算前需确保各类别评估标准统一（如IoU阈值、正负样本定义） 2. **AP的变体**： - 在目标检测中，AP常特指**IoU=0.5**时的计算结果 - 严格定义下应标注为AP@0.5 3. **COCO的特殊性**： - COCO官方定义的mAP包含**多尺度测试**结果 - 包含对小/中/大目标的分别评估 --- ### 六、选择建议 - **研究场景**：需同时报告AP（分析单类性能）和mAP（整体评估） - **工程部署**：优先关注mAP，但需检查关键类别的AP值 - **竞赛优化**：COCO等比赛以mAP@[0.5:0.95]为权威指标 --- ✎ **总结**：AP是单类别的精度积分，mAP是多类别的平均表现。理解二者的区别，需结合具体任务需求选择评估指标：单类问题关注AP，复杂多类系统必看mAP。
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