交并比、mAP

最新推荐文章于 2025-04-14 15:25:47 发布
原创 最新推荐文章于 2025-04-14 15:25:47 发布
· 857 阅读 · 5 ·
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。

判断目标检测结果好坏的指标

交并比loU（intersection-over-union）

交并比就是两个框的交集除以并集
蓝色框是Detection Result，红色框是Ground Truth。一般来说
一般可以设置loU的阈值大于等于0.5比如把loU阈值设置为0.5，则可以认为与
Ground Truth的loU大于等于0.5的Detection Result是正样本。则与
Ground Truth的loU小于0.5的Detection Result是负样本。

在这里插入图片描述在这里插入图片描述

mAP（mean average precision）平均准确率均值

目标检测可以检测很多个种类，而其中每一个类别都可以根据recall和precision绘制一条曲线，那么AP就是该曲线下的面积，而mAP是多个类别AP的平均值，这个值介于0到1之间，且越大越好。这个指标是目标检测算法最为重要的一个。
在这里插入图片描述

周智强
关注
计算机视觉系列-交并比和mAP（10）
段智华的博客
01-30 998
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
机器学习笔记 - IOU、mAP、ROC、AUC、准确率、召回率、F分数
学以致用 知行合一
03-25 5587
mAP（mean Average Precision）是目标检测中度量识别精度的指标。多个类别目标检测中，每一个类别都可以根据查全率和查准率绘制P-R曲线，横坐标为查全率，纵坐标为查准率。AP就是该曲线下的面积，mAP是多个类别AP的平均值。计算公式如下式中，Q表示目标检测的类别集合；AveP（q）是计算类别下目标的平均准确率。计算mAP时使用联合交集（IoU）。mAP计算过程1、对于每个预测，IoU 是针对图像中的每个地面实况框计算的。
交并比 (IoU), mAP (mean Average Precision), 非极大值抑制 (NMS, Soft NMS, Softer NMS, IoU-Net)
连理o的博客
12-08 2047
目录NMS 基本过程抑制得分: Soft NMS加权平均: Softer NMS定位置信度: IoU-Net参考文献 NMS 基本过程 当前的物体检测算法为了保证召回率，对于同一个真实物体往往会有多于 1 个的候选框输出。由于多余的候选框会影响检测精度，因此需要利用 NMS 过滤掉重叠的候选框，得到最佳的预测输出 在上图中，候选框 C 的得分比 A 要低，在评测时，C 候选框会被当做一个 False Positive 来看待，从而降低模型精度。实际上，由于候选框 A 的质量要比 C 好，理想的输出是
YOLO 模型的常用评估指标
最新发布
2301_76503509的博客
04-14 1018
以精确率（Precision）为纵轴、召回率（Recall）为横轴绘制出的曲线，用于直观地展示目标检测模型在不同阈值下精确率和召回率的变化关系。AP 是对 PR 曲线下面积的一种数值化表示，综合考虑了模型在不同召回率水平下的精确率表现，能够全面地反映模型在检测目标物体时的准确性。多个类别物体检测的平均精度（AP）平均后得到的数值，用于综合衡量目标检测模型在不同类别物体上的检测准确。：表示实际为正样本，且模型也正确地将其预测为正样本的数量。在模型预测为正例的样本中，真正为正例的样本所占的比例。
交并比
ahelloyou的博客
01-21 627
文章目录混淆矩阵IOUAP(平均精度) 混淆矩阵 举个例子 现在有两类 橘子 5个 苹果 5个 准确率就是 正确检测是橘子/(正确检测是橘子+错误检测是橘子) 判断的是，橘子你检测的准不准 召回率就是 我这五个橘子结果你只检测出了四个橘子 判断的是你检测的全不全 IOU 吻合程度：预测框和真实框的交集/并集 对应到准确率和召回率 AP(平均精度) 在不同召回率下某一个类别的平均精度 MAP 多类别的平均AP ...
交并比IOU
qiuta2476的博客
04-24 1181
交并比（Intersection-over-Union，IoU），目标检测中使用的一个概念，是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。 计算公式： Python实现代码： def calculateIoU(candidateBound, groundTrut...
广义交并比
qq_31929377的博客
03-18 2551
一、概述 交并比（Intersection over Union，简称IoU），是目标检测中的一个非常重要的概念，也是进行目标检测的一个重要方法。首先我们来简单了解一下交并比的概念。 黄色的是训练样本的真实边框，而另一个是神经网络的预测框，两个框的交集的面积与两个框的并集面积的比值称之为交并比。如果两个框的交并比越大大则说明目标定位约准确。在以往的目标检测算法中一般都是将两个框的坐标的范数，也就...
目标检测mAP计算代码
11-24
4. **IoU计算**：计算预测框与真实框的交并比（Intersection over Union），作为匹配标准。 5. **阈值设定**：根据IoU阈值判断预测框是否与真实框匹配。 6. **精度和召回率计算**：根据匹配结果更新精度和召回率，并...
nuScenes-map-expansion-v1.3
02-27
nuScenes-map-expansion-v1.3是一个专为自动驾驶和环境感知研究设计的重要数据集，它在nuScenes的基础上进行了地图扩展，为开发更智能的驾驶系统提供了强大的支持。 首先，我们来了解一下nuScenes。nuScenes是由...
js代码-js -- 实现同步map函数
07-15
在JavaScript中，`map`函数是一个非常常用的数组方法，它允许我们遍历数组中的每个元素，并根据提供的函数返回一个新的数组，新数组中的元素是原数组元素经过处理后的结果。然而，JavaScript的`Array.prototype.map`...
3-6 交并比
diyudong4681的博客
11-08 329
交并比（Intersection over union） 交并比（loU）函数做的是计算两个边界框交集和并集之比。两个边界框的并集是这个区域，就是属于包含两个边界框区域（绿色阴影表示区域），而交集就是这个比较小的区域（橙色阴影表示区域），那么交并比就是交集的大小，这个橙色阴影面积，然后除以绿色阴影的并集面积。 参考： 交并比： IOU=(A∩B)/(A∪ B) 一般约定，...
交并比（IOU）
dear_jing的博客
11-18 4574
参考：【SSD算法】史上最全代码解析-核心篇 在有锚框的目标检测算法中，如何衡量某个锚框较好地覆盖了图像中的目标物体？在该目标的真实边界框已知时，一种直观的方法是衡量锚框和真实边界框之间的相似度。 Jaccard系数（Jaccard index）可以衡量两个集合的相似度。给定集合A和B，它们的Jaccard系数为 实际上，我们可以把边界框内的像素区域看成是像素的集合。这样，可以用两个边界框的像素集合的Jaccard系数衡量这两个边界框的相似度。在这种情况下，通常将Jaccard系数称为交并比（Interse
目标检测基本概念理解之IoU（交并比）以及Python代码实现
紫芝的博客
11-15 4938
目标检测基本概念理解之IoU（交并比）交并比理解Python代码实现计算IoU，矩形框的坐标形式为xyxy计算IoU，矩形框的坐标形式为xywh 交并比理解 在检测任务中，使用交并比（Intersection of Union，IoU）作为衡量指标。这一概念来源于数学中的集合，用来描述两个集合A和B之间的关系，它等于两个集合的交集里面所包含的元素个数，除以它们的并集里面所包含的元素个数，具体计算公式如下：IoU=A∩BA∪BIoU={{A\cap B}\over{A\cup B}}IoU=A∪BA∩B​ 我
交并比（Intersection over union）
csdn_xmj的博客
05-19 1万+
来源：Coursera吴恩达深度学习课程 如何判断目标检测算法运作良好呢？接下来，你将了解到并交比（intersection over union）函数，可以用来评价目标检测算法。 交并比（loU）函数做的是计算两个边界框交集和并集之比。两个边界框的并集是这个区域，就是属于包含两个边界框区域（绿色阴影表示区域），而交集就是这个比较小的区域（橙色阴影表示区域），那么交并比就是交集的大小，这个橙色阴影面积，然后除以绿色阴影的并集面积。 参考： 交并比：IOU=(A∩B)/(A∪B)=A和B的交集/A
深度学习计算机视觉图像分割领域指标mIoU（平均交并比）计算代码与逐行解析
热门推荐
jiongnima的博客
12-03 6万+
深度学习计算机视觉图像分割领域指标mIoU（平均交并比）计算代码与逐行解析mIoU相关mIoU计算代码与逐行解析注意事项 mIoU相关 在计算机视觉深度学习图像分割领域中，mIoU值是一个衡量图像分割精度的重要指标。mIoU可解释为平均交并比，即在每个类别上计算IoU值（即真正样本数量/（真正样本数量+假负样本数量+假正样本数量））。在本篇博客中，笔者本想详细地列举计算公式，但是看到kangdk博...
图像分割评价指标---mIoU（平均交并比）计算代码（OpenCV/C++）
Lujiahao98689的博客
10-07 6369
图像分割评价指标---mIoU（平均交并比）计算代码（OpenCV/C++） 运行环境：Visual Studio+OpenCV+C++ 输入：准备好的Groundtruth数据+分割得到的二值图像 输出：每张分割结果的IOU值+最后输出MIOU值（平均交并比） mIoU计算的基本原理可见其他博主的叙述，这里不作介绍。 IOU（交并比）计算子程序如下： double MIOU(cv::Mat im...
MIoU（均交并比）的计算
晓野豬
10-10 3万+
文章目录1 交并比（Intersection over Union，IoU）1.1 传统 IoU1.2 语义分割中的IoU1.3 语义分割中的MIoU2 IoU 的计算2.1 单个类别 IoU 的计算2.2 MIoU 的计算步骤 1：求混淆矩阵步骤 2：计算 MIoU 1 交并比（Intersection over Union，IoU） 1.1 传统 IoU 公式：SA∪B=SA+SB−SA∩B\rm S_{A\cup B}=S_{A}+S_{B}-S_{A\cap B}SA∪B​=SA​+SB​−SA∩
intersection-over-union(IoU: 交并比)
weixin_30566063的博客
04-07 224
在目标检测的评价体系中，有一个参数叫做IoU(交并比)，即模型产生的目标窗口与原来标记窗口的交叠率。可以简单理解为：检测结果(Detection Result)与Ground Truth的交集比上它们的并集，即为检测的准确率IoU： 用公式表示为： 理想情况下，IoU=1,即完全重合 转载于:https://www.cnblogs.com/cly0922/p/6677599.ht...
语义分割的评价指标——PA(像素准确率)、CPA(类别像素准确率)、MPA(类别平均像素准确率)、IoU(交并比)、MIoU(平均交并比)详细总结
weixin_38353277的博客
10-29 4万+
语义分割是像素级别的分类，其常用评价指标： 像素准确率（Pixel Accuracy，PA）、 类别像素准确率（Class Pixel Accuray，CPA）、 类别平均像素准确率（Mean Pixel Accuracy，MPA）、 交并比（Intersection over Union，IoU）、 平均交并比（Mean Intersection over Union，MIoU）， 其计算都是建立在混淆矩阵（Confusion Matrix）的基础上。 1 混淆矩阵 混淆矩阵就是统计分类模型的分类结果，即
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