mAP（mean Average Precision）详细说明

最新推荐文章于 2025-03-24 10:23:47 发布
最新推荐文章于 2025-03-24 10:23:47 发布
阅读量4.2k 收藏 1
点赞数
分类专栏： 人工智能 文章标签： mAP
本文探讨了信息检索系统评估中的两个核心指标——精度与召回率，并通过飞机与鹅的图像检索示例，直观解释了真阳性、假阳性等概念。

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

未完待续。。。

原文：https://sanchom.wordpress.com/tag/average-precision/

 

译文

我正在思考的事情。最近：写作，法律，航空，机器学习。

平均精度

这是一只鸟……它是一架飞机…它取决于你的分类器的阈（yu）值。

信息检索系统（例如搜索引擎）的评价通常集中在两个方面：

1.检索结果有什么关系？（精密）

2.系统是否检索了许多真正相关的文档？（召回）

对于那些不熟悉的人，我将解释什么是精确度和召回，对于那些熟悉的人，我将解释在比较精确度召回曲线时文献中的一些混淆。

鹅和飞机

假设你有一个由飞机和鹅组成的图片集。

您希望您的系统检索所有飞机图像和鹅的图像。

给定系统从该集合中检索的一组图像，我们可以定义四个精度计数：

True positives：你的系统正确检索的飞机图像

True negatives：鹅的形象，你的系统没有正确检索

False positives：鹅的图像，你的系统错误地检索，相信他们是飞机。

False negatives：你的系统不正确的飞机图像没有被检索，相信它们是鹅。

在这个示例检索中，有三个真阳性和一个假阳性。

 

使用我刚才定义的术语，在这个示例检索中，有三个真阳性和一个假阳性。有多少假阴性？有多少真负数？

有两个假阴影（系统未能检索到的飞机）和4个真阴影（系统未检索到的鹅）。

精度与召回

现在，你将能够更准确地理解什么是精确和回忆。

精度是检索结果中的真正正的百分比。即：

 

参考阅读

https://blog.youkuaiyun.com/gagalaha/article/details/51327083

https://blog.youkuaiyun.com/sunhuaqiang1/article/details/56847436

https://blog.youkuaiyun.com/zjc/article/details/46763989

matlab代码先保存在运行-mean_average_precision:小型和简单的python/numpy实用程序，用于计算检测任务的平
05-19
matlab代码先保存在运行检测图 评估Pascal VOC后边界框分类任务的简单实用工具。 要了解这一指标，我建议阅读Sancho McCann撰写的这篇出色的博客文章，然后再阅读以下文章： 请注意，该方法未与原始VOC实现进行比较！ （请参阅待办事项） 特征 简单：numpy和matplotlib是唯一的依赖项 计算运行评估：每帧输入预测/地面真实情况，无需保存在文件中 使用插值平均精度（默认值）或平均精度的每个类pr曲线的图（matplotlib） 方法 多类mAP 将每个班级与其他班级一并处理。 （x对z） 真阳性（TP）： Gt x预测为x 误报（FP）： 如果Gt x已经具有TP预测，则预测x 预测x不与任何Gt重叠x 假阴性（FN）： Gt x未预测为x 示例框架 代码 您所需要的只是带有类别和置信度得分的预测边界框，以及具有其类别的地面真值边界框。 ： frames = [( pred_bb1 , pred_cls1 , pred_conf1 , gt_bb1 , gt_cls1 ), ( pred_bb2 , pred_cls2 , pred_conf2 , gt_b
目标检测中的mAP(mean Average Precision)快速理解
qq_23543981的博客
06-28 1012
最近开始接触目标检测（object detection）但是对于衡量算法好坏的mAP并不太理解，经过了一番整理，下面我们就来看看什么是mAP。 在目标检测算法中，像是Faster R-CNN, SSD等等，mAP都可以很好的用来衡量这些算法的精确度。 ...
一文弄懂目标检测模型评估指标：mAP（平均精度）、TP、TN、FP和FN
阿旭的博客
02-10 1614
一文弄懂目标检测模型评估指标：mAP（平均精度）、TP、TN、FP和FN
目标检测评价标准（mAP, 精准度(Precision), 召回率(Recall), 准确率(Accuracy),交除并（IoU））
martinkeith的博客
07-19 4061
1. TP , FP , TN , FN定义 TP（True Positive）是正样本预测为正样本的数量，即与Ground truth区域的IoU>=threshold的预测框 FP（False Positive）是负样本预测为正样本的数量，误报；即与Ground truth区域IoU < threshold的预测框 FN（True Negative）是本为正，错误的认为是负样本的数量，漏报；遗漏的Ground truth区域 TN（False Negative）是本为负，正确...
【mAP】mean average precision 平均精度及其实现
zbossz的学习小分队
03-20 5049
用于评估对象检测模型。 首先我们来了解一些前述知识： FN(false negatives)假阴性 首先我们的预测是错误的，结果是负面的。 就比如我们新冠检测是错的，但是我们感染了新冠，也就是说检测出来我们没感染，实际上感染了。 FP(false positives)假阳性 首先我们的预测是错误的，结果是积极的。 就比如我们新冠检测是错的，但是我们没感染新冠，也就是说检测出来我们感染了，实际上没感染。 TN(true negatives)真阴性 首先我们的预测是正确的，结果是阴性。 新冠检测是正确的，我们确
mAP,precision,recall,accuracy，IOU
jiao_mrswang的博客
11-13 290
mAP:Average precision（平均精确率） 对于数据测试结果有下面4种情况： TP —— True Positive （真正, TP）被模型预测为正的正样本(预测为正，实际为正)；可以称作判断为真的正确率 TN —— True Negative（真负 , TN）被模型预测为负的负样本(预测为负，实际为负) ；可以称作判断为假的正确率 FP ——False Positive （...
目标检测：mAP (Mean Average Precision)
thujiang000的博客
01-31 6101
目标检测，mAP解释
mAP平均精度均值(Mean Average Precision)
fivemillion的博客
06-10 6040
评价分类模型性能的评价指标和计算方式
关于mAP（mean average precision)平均精度均值总结
weixin_45021321的博客
11-16 1885
关于mAP总结
Mean Average Precision（MAP）：平均精度均值
weixin_42749767的博客
09-17 1万+
1.MAP可以由它的三个部分来理解：P,AP,MAP P（Precision）精度，正确率。在信息检索领域用的比较多，和正确率一块出现的是召回率Recall。对于一个查询，返回了一系列的文档，正确率指的是返回的结果中相关的文档占的比例，定义为： precision=返回结果中相关文档的数目/返回结果的数目； 而召回率则是返回结果中相关文档占所有相关文档的比例，定义为：Recall=返回结果中相关文...
原理详解AUC、ROC和average precision (AP)以及sklearn实战
qq_43391414的博客
09-11 8195
文章目录前言TPR,FPRROCAOC鸣谢 前言 开门见山，想要知道AOC必须知道ROC，想要知道ROC必须知道TPR,FPR， 完。 TPR,FPR EXAMPLE 1: 我们有一个模型算法，它能够根据一系列的属性（比如身高、爱好、衣着、饮食习惯等）来预测一个人的性别是男还是女。 下面是这个模型算法对10个人的是男还是女的预测值和10个人的真实值。其中预测值为0.72表示72%的概率认为是男，28%的概率认为是女。 如果我们设定区分男女的阈值是0.5，那么预测值大于0.5的都是男性，小于0.5都是女性。
【小知识】目标检测各类指标概念总结
capsule的博客
01-19 4745
目标检测论文中出现过很多容易混淆的评价指标，比如，包括最基本的AP、mAP这些定义，索性将这些基本概念搞清楚，做个总结。
Recall, Precision, and Average Precision
三少GG
11-27 1万+
信息检索（IR）的评价指标介绍 - 准确率、召回率、F1、mAP、ROC、AUC 分类： 1.自然语言处理/机器学习 在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。 准确率、召回率、F1 信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precisio
average_precision_score()函数----计算过程与原理详解
西小庄村高伟 的博客
02-21 1万+
average-precision算法过程与原理详解
准确率，召回率，mAP(mean average precision)解释
热门推荐
木盏
06-27 2万+
准确率Precision 召回率Recall 其实这个翻译相当蛋疼。。。 recall最合理的翻译应该是 查全率 而Precision的最合理的翻译应该是查准率 这样就很容易理解了，假设一个班级有10个学生，5男5女 你用机器找女生，机器返回了一下结果： | 男 | 女 | 女 | 男 | 女 | 男 | 那么查准率为：3/6 = 0.5（返回的6个结果只有3个正确） 查全率为:...
准确率(Precision)、召回率(Recall)、F值(F-Measure)、平均正确率（Average Precision, AP），IoU
qq_38410428的博客
01-05 9796
1、准确率与召回率（Precision & Recall） 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。 若一个实例是正类，但是被预测成为正类，即为真正类(True Postive ...
机器学习性能评估指标之​AP（平均精度）​ 和 ​MAP（平均精度均值）
最新发布
浩瀚之水的专栏
03-24 1150
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。
Mean Average Precision (MAP)
weixin_35757531的博客
12-27 805
平均精确度平均值(Mean Average Precision, MAP)是一种评估分类器性能的指标，常用于在信息检索、计算机视觉和自然语言处理等领域。它衡量了分类器对于每个查询的平均精确度。 精确度(precision)是指分类器正确预测的样本数占总预测样本数的比例，即： precision = 正确预测的样本数 / 总预测样本数 平均精确度(Average Precision, AP)则是对于...
目标检测：均值平均精度（mAP）和交并比（IoU）的 Python 实现
TechNovaX的博客
09-07 222
评估目标检测算法的性能可以使用多种指标，其中包括均值平均精度（mean Average Precision，mAP）和交并比（Intersection over Union，IoU）。通常，目标检测算法的输出是一组边界框（bounding box），每个边界框表示一个检测到的目标及其位置。mAP是Precision-Recall曲线下的平均精度，用于衡量算法在不同阈值下的准确性和召回率之间的平衡。根据你的具体需求，你可以进一步扩展和改进这些代码，以适应不同的数据集和算法。首先，我们需要导入所需的库。
mean Average Precision(map)
03-13
### Mean Average Precision (mAP) 的定义 Mean Average Precision (mAP) 是一种广泛用于评估信息检索系统和目标检测模型性能的度量标准。该指标综合考虑了查准率(Precision) 和查全率(Recall)，能够更全面地反映系统的整体表现。 在信息检索领域，mAP 表示的是所有查询平均精度的均值[^3]。对于每一个单独的查询请求而言，先计算其对应的 AP 值(Average Precision)，再取这些 AP 值的算术平均即得到最终的 mAP 结果。 而在对象检测任务中，mAP 则衡量不同类别上预测框与真实标注框之间的匹配程度。具体来说，针对每一类物体分别统计 TP(True Positive), FP(False Positive) 及 FN(False Negative)[^1]。 ### 计算方法 #### 对于信息检索： 1. 针对单个查询 q，按照文档的相关性得分排序； 2. 根据实际相关情况标记每个返回项是否为正样本； 3. 使用下列公式逐个位置 i 更新当前累计 P@i（Precision at position i），其中 rel(i)=1 若第 i 位是相关项目，否则为0；nrel(q)表示查询q下的总相关数： \[ \text{P}(i|q) = \frac{\sum_{j=1}^{i}\mathrm{rel(j)}}{i},\quad \forall i : \mathrm{rel}(i)=1 \] 4. 将上述过程中获得的所有非零 P@i 平均化作为此查询 Q 下的 AP 值； 5. 最终通过求解所有测试集中各查询下 AP 的简单平均值得到整个数据集上的 mAP。 #### 对象检测中的实现方式略有差异： - 主要区别在于如何判断两个边界框之间是否存在重叠以及设定 IoU(Intersection over Union)阈值来决定真阳性和假阳性。 - 当前普遍采用 COCO 数据集所使用的评价方案，在多个不同的 IoU 阈值水平上来累积 PR 曲线并据此得出每种类别的 AP 后再次做平均形成全局 mAP 指标。 ```python def calculate_map(precisions, recalls): """ Calculate mean average precision given lists of precisions and recalls. Args: precisions (list): List containing precision values. recalls (list): List containing recall values. Returns: float: Calculated MAP value. """ aps = [] unique_recalls = sorted(set(recalls)) for r in unique_recalls: p_interpolated = max([p for p, rec in zip(precisions, recalls) if rec >= r], default=0) aps.append(p_interpolated) return sum(aps)/len(unique_recalls) if len(unique_recalls)>0 else 0 ```
评论 1
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