深入理解目标检测中的 Recalls, Precisions, AP, mAP

最新推荐文章于 2024-08-21 11:40:35 发布
原创 最新推荐文章于 2024-08-21 11:40:35 发布 · 811 阅读 · 1 ·
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：

#自动驾驶 #深度学习 #计算机视觉 #机器学习 #pytorch

本文深入解析了机器学习中常见的评估指标，包括混淆矩阵、真值与预测值、TP、FP、FN、TN、Recalls、Precisions、AP及mAP的概念与计算方式，帮助读者全面掌握模型性能评价。

1. 混淆矩阵：
混淆矩阵(confusion matrix)，是分类任务中非常重要的评测指标。如下图所示：
在这里插入图片描述
2. 真值和预测值的概念
Actual value：也叫ground truth，真实的值，即感兴趣的目标在图片上的真实坐标。
predicted value：即模型预测出来的坐标。

3. TP、FP、FN、TN的概念
TP(TruePositive): 正确预测出正类别的数量
FP(FalsePositive)：错误预测出正类别的数量
FN(FalseNegative): 错误预测出负类别的数量
TN(TrueNegative): 正确预测出负类别的数量

4. Recalls和Precisions的概念
Recalls：召回率，即某个类别被预测为正确的数量除以总数，公式表示如下：
在这里插入图片描述
比如一张图中有5个标注为人的ground truth，但你正确预测出的人只有2个，那么对于这张图，人的recalls就是2/5。
Precisions：精准率，就是你在检测的结果里面，实际上真正正确的数量占比大小，公式表示如下：
在这里插入图片描述
TP就是正确预测出正类别的数量， FP错误预测出正类别的数量。比如一张图中有3个标注为人的ground truth，但是你预测出的框只有一个正确框准人，另外两个框没有框准人，即TP=1, FP=2, precision=1/3。

5. AP（Average precision）
在介绍AP之前，先引入Precision-recall曲线概念。Precision-recall曲线（PR曲线）与ROC曲线的区别是横轴和纵轴不同，PR曲线的横轴Recall也就是TPR，反映了分类器对正例的覆盖能力。而纵轴Precision的分母是识别为正例的数目，而不是实际正例数目。Precision反映了分类器预测正例的准确程度。那么，Precision-recall曲线反映了分类器对正例的识别准确程度和对正例的覆盖能力之间的权衡。对于随机分类器而言，其Precision固定的等于样本中正例的比例，不随recall的变化而变化。
与AUC相似，AP就是PR曲线与X轴围成的图形面积。

6. mAP（Mean Average Precision）
mAP就是所有类别的AP求平均值。

参考网页：
https://www.cnblogs.com/shixiangwan/p/7215926.html?utm_source=itdadao&utm_medium=referral
https://zhuanlan.zhihu.com/p/79186684

评估目标检测模型：深入解析平均精度均值（mAP）
m0_62153576的博客
04-14 170
在目标检测领域，评估模型的性能是至关重要的。像R - CNN和YOLO这样的目标检测模型，通常使用平均精度均值（mAP）来进行评估。mAP通过比较真实边界框和检测到的边界框，给出一个分数，分数越高，说明模型的检测越准确。
目标检测中的MAP的计算（逐步推导）
justsolow的博客
05-21 3601
目标检测中的MAP的计算（逐步推导） 概念介绍 首先放一下前面一篇博文中提到的precision和recall的计算公式和概念。 P(precision) = TP/(TP+FP) 在目标检测中就是检测出的所有框中预测正确的比例。 R(recall) = TP/(TP+FN) 在目标检测中就是所有的ground truth（不懂ground truth的自行百度，简单点就是你的训练数据中事先标注好的bboxes）中检测出来的部分所占的比例。 我们假设一个场景，一共有两张图片，有两个类别，一个类别是人一个类别
角点检测 cornerHarris
It is me 的博客
11-23 224
OpenCV2 /////////// OpenCV3 ////////////////
目标检测中precision、recall、AP、mAP的含义
yangzzguang的博客
06-01 3万+
        在阅读目标检测相关的论文中遇到评估模型性能时使用mAP这一概念，为此查阅相关资料来进行理解。与mAP相关的还有平均精度（AP）、平均精度均值（mAP）、查准率（precision）、查全率（recall）、IOU、置信度阈值（confidence thresholds）等概念。         查准率（precision）和查全率（recall）。对于二分类问题，可将样例根据其真实...
【计算机视觉 | 目标检测】术语理解3：Precision、Recall、F1-score、mAP、IoU 和 AP
wzk4869的博客
05-19 9848
【计算机视觉 | 目标检测】术语理解3：Precision、Recall、F1-score、mAP、IoU 和 AP
一文讲清楚目标检测中mAP、AP、precison、recall、accuracy、TP、FP、FN、TN
fengmaomao1991的专栏
01-28 1万+
其中，BB表示BoundingBox，GT=1表示GT与预测的BoundingBox的IoU>=IoU_th，BoundingBox序号相同代表所对应的GT是同一个。但在工程应用中，物体是否被正确检测到，还是需要具体的confidence_th和IoU_th，工程上更关心在固定的confidence_th和IoU_th下的准确率。注意，FN是从Ground Truth中取，就是如果有n个类似这种的confidence
机器学习中TP，TN，FP，FN，Acc，Pre，Sen, Rec的含义
tangxianyu的博客
10-09 3万+
1、 TP，TN，FP，FN的理解 定义 第一个字母T/F代表预测的结果是否和实际情况相符：即如果真实情况为正样本（P），预测为正样本（P），则为T；如果真实情况为负样本（N），预测为负样本（N），则为T；如果真实情况为P，预测为N，则为F；如果真实情况为N预测为P，则为F。 第二个字母P/N代表预测结果的正负：如果预测为正样本，则为P；如果预测为负样本，则为N。 TP：true posi...
用商汤的mmdetection 学习目标检测中的 Recalls, Precisions, AP, mAP 算法 Part2
史蒂夫方
08-21 4861
还没看part1 的请移步 用商汤的mmdetection 学习目标检测中的 Recalls, Precisions, AP, mAP 算法 Part1 好的，在part1 中·我们已经求的了TP 以及 FP， 也就是检测出的所有可能（无论是对的还是错的） 我们先整理一下求到的值， 一共是两类 label1 和 label2 人和汽车类 第一类 label 1 ： 人 还记得我们对于第一类总共检测...
用商汤的mmdetection 学习目标检测中的 Recalls, Precisions, AP, mAP 算法 Part1
史蒂夫方
08-20 9980
学习目标检测一定少不了的评测方式， 就是透过recalls, precisions, 来计算出类别的AP， 以及最后所有AP的平均值 mAP（mean Average Precision) 也就是我们最关心的数值 这边先简单的了解一下confusion matrix， 也就是所谓的混肴矩阵， 我个人不觉得这是一个很好的翻译， 最好记得英文就行， 在分类任务中这是一个非常重要的评测指标 下图是一个基...
目标检测中的mAP计算：深入解析与实践指南
2401_85743969的博客
07-05 1068
mAP是在目标检测和对象识别任务中用来评估模型性能的指标。它计算了在不同重叠比例（Intersection over Union, IoU）下的平均精度，通常使用0.5作为IoU阈值。
Ground Truth是什么？
2301_77554343的博客
08-21 1657
在模型训练中，“Ground Truth” 是指用来评估模型预测准确性的数据的真实标签或值。换句话说，它是模型在训练或测试过程中。通过将模型的输出与Ground Truth进行比较，可以计算出模型的误差，从而指导模型的优化和改进。在中，ground truth 通常指代样本集中的标签举个例子，在图像分类任务中，Ground Truth 是图像的正确类别标签。在3D人脸重建任务中，Ground Truth 可能是准确的三维面部模型。
【机器学习基础】TP,TN,FP,FN,Precision，Recall，PR曲线，AP，MAP，TPR，FPR,ROC曲线，AUC值等的解释
gbz3300255的博客
06-23 1万+
PR曲线计算方式：通过置信度就可以对所有样本进行排序，再逐个样本的选择阈值，在该样本之前的都属于正例，该样本之后的都属于负例。每一个样本作为划分阈值时，都可以计算对应的precision和recall，那么就可以以此绘制曲线 参考文献1：https://blog.youkuaiyun.com/qq_41994006/article/details/81051150 参考文献2：https://blog.youkuaiyun.com/b876144622/article/details/80009867 ...
Precision（准确率）和Recall（召回率）介绍
weixin_42638415的博客
10-20 4万+
为什么我们需要Precision(准确率)和Recall(召回率)？ 首先我们仅仅只看loss的话，会出现什么问题。 举个例子：比如对于一个二分类的模型，我们通过训练得到最终loss仅为5%，也就是准确率达到了95%，这很明显我们认为这是一个比较优秀的模型。 但是，如果我们的训练数据，仅有3%的数据对应标签为0，也就是负样本，其余均为正样本，对应标签为1. 这样会发生什么？如果我们的网络只能输出1，无论输入是什么，都只能输出1，这...
TP、TN、FP、FN超级详细解析
热门推荐
奋斗の博客
11-21 11万+
以西瓜数据集为例，我们来详细解释一下什么是TP、TN、FP以及FN。 一、基础概念 TP：被模型预测为正类的正样本 TN：被模型预测为负类的负样本 FP：被模型预测为正类的负样本 FN：被模型预测为负类的正样本 二、通俗理解（以西瓜数据集为例） 以西瓜数据集为例，我们来通俗理解一下什么是TP、TN、FP、FN。 TP：被模型预测为好瓜的好瓜（是真正的好瓜，而且也被模型预测为好瓜） TN：被模型预测为坏瓜的坏瓜（是真正的坏瓜，而且也被模型预测为坏瓜） FP：被模型预测为好瓜的坏瓜（瓜是真正的坏瓜，但是
一文记住什么是TP/TN/FP/FN？
Joy T的博客
10-25 1万+
这些工具和指标提供了评估和比较不同模型性能的方法，帮助研究者和工程师确定哪个模型在特定任务上的性能最好。而在实践中，根据应用的具体需求，可能需要关注某些指标多于其他指标。例如，医学测试中的 FN 可能比 FP 更为关键，因为遗漏一个病例的后果可能比误诊更严重。
TP、TN、FP、FN 含义
weixin_40237209的博客
06-30 9006
什么是TP、TN、FP以及FN
【一文看懂】深度学习中常用的各项评价指标含义TP、FP、TN、FN、Accuracy、Recall、F1、IoU、mIoU
qq_27816785的博客
06-26 1万+
无论是对于图像领域的分类、分割问题，亦或点云领域的物体分类、场景分割，在评价一个模型的好坏时，经常涉及TP、FP、TN、FN、IoU、Accuracy。。。等指标进行衡量，那么这些指标是什么意思呢？我请到了鸭子先生、猴子客人和熊猫管家来给大家亲身示范一下。咦！发现10个可爱的小动物，可是我们不知道是什么动物，要不用深度学习分一下类吧？ 这个时候我们直接掏出训练好的，把这些小动物丢进去，一番等待之后，我们有了以下的预测结果： 很明显，模型并没有非常完美的完成任务。但是如何评价它呢？对某一来讲：T = tru
“深入理解机器学习性能评估指标：TP、TN、FP、FN、精确率、召回率、准确率、F1-score和mAP”
halo的博客
11-06 1万+
通俗来说，准确率回答了“模型总的预测有多准”的问题；召回率回答了“模型对正例的识别能力有多强”的问题；mAP则是用于复杂任务的一个更为全面的评估指标；而F1-score则是尝试将精确率和召回率结合起来，给我们一个更为综合的评估结果。这些指标可以帮助我们更全面地了解模型的性能，从而选择或优化模型。TP：模型说“这个人有病”，实际上这个人也真的有病。TN：模型说“这个人没病”，实际上这个人也确实没病。FP：模型误诊了健康人为病人。FN：模型漏诊了真正的病人。精确率：模型说“有病”的人中，真正有病的比例。
TP、TN、FP、FN白话解析，看这一篇就够了
Java_Web_Android的博客
11-27 5499
TP、TN、FP、FN通俗易懂 白话理解
目标检测中mAP解释
最新发布
05-27
### mAP 的定义 mAP 是 mean of Average Precision 的缩写，表示平均精确度（Average Precision, AP）的均值。它是目标检测领域中用于衡量模型性能的重要指标[^3]。由于目标检测不仅涉及分类还涉及定位，传统的分类准确性（Accuracy）无法全面反映模型的表现，因此引入了 mAP 这一更加复杂的评价标准。 --- ### 查准率（Precision）和查全率（Recall） 为了更好地理解 mAP，需先了解 Precision 和 Recall： - **Precision (查准率)**：指的是预测为正类的样本中有多少是真正的正类。 \[ \text{Precision} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Positives}} \] - **Recall (查全率)**：指的是所有真实正类中有多少被正确预测出来。 \[ \text{Recall} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Negatives}} \] 这两个指标共同构成了 PR 曲线的基础[^3]。 --- ### 平均精确度（AP）的计算方法 对于某一特定类别，通过绘制 Precision-Recall （PR）曲线来计算该类别的 AP 值。具体步骤如下： 1. 预测结果按置信度（Confidence Score）降序排列。 2. 对每一个预测框，判断其是否为 True Positive 或 False Positive，基于预设的 IoU（Intersection over Union）阈值。 3. 计算不同召回率（Recall）下的精度（Precision），并形成 PR 曲线。 4. 使用数值积分法（如梯形法则）求解 PR 曲线下面积作为 AP 值[^1]。 某些数据集（如 COCO 数据集）会进一步扩展此定义，在不同的 IoU 阈值下分别计算 AP，并取这些 AP 的加权平均值。 --- ### 多类别场景下的 mAP 计算 在多类别目标检测任务中，针对每一类别独立计算其对应的 AP 值，随后将各类别 AP 取平均值得到最终的 mAP 值。例如，若有 \( N \) 类，则： \[ \text{mAP} = \frac{1}{N} \sum_{i=1}^{N} \text{AP}_i \] 其中，\( \text{AP}_i \) 表示第 \( i \) 类别的 AP 值[^4]。 需要注意的是，部分评估体系可能会考虑额外因素，例如对象尺寸分组或多种 IoU 阈值组合，从而得到更为严格的 mAP 定义。 --- ### 示例代码实现 以下是 Python 实现的一个简化版 mAP 计算逻辑： ```python def calculate_ap(precisions, recalls): """ Calculate the average precision given lists of precisions and recalls. Args: precisions (list): List of precision values at different thresholds. recalls (list): Corresponding list of recall values. Returns: float: The computed average precision value. """ ap = 0.0 previous_recall = 0.0 # Sort by increasing recall order sorted_indices = sorted(range(len(recalls)), key=lambda k: recalls[k]) precisions_sorted = [precisions[i] for i in sorted_indices] recalls_sorted = [recalls[i] for i in sorted_indices] for idx in range(1, len(sorted_indices)): delta_recall = recalls_sorted[idx] - previous_recall max_precision = max(precisions_sorted[:idx+1]) # Interpolate maximum precision ap += delta_recall * max_precision previous_recall = recalls_sorted[idx] return ap def calculate_map(ap_per_class): """ Compute Mean Average Precision from per-class APs. Args: ap_per_class (dict): Dictionary mapping class names to their respective AP scores. Returns: float: Final calculated mAP score across all classes. """ total_classes = len(ap_per_class) sum_aps = sum(ap_per_class.values()) map_score = sum_aps / total_classes if total_classes != 0 else 0.0 return map_score ``` ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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