简单理解mAP究竟是什么

这篇具有很好参考价值的文章主要介绍了简单理解mAP究竟是什么。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

好玩的目标检测-mAP的概念与实例

前缀知识:是TP、TN、FP、FN?

前缀知识:什么是Precision和Recall?

核心知识:什么是mAP?


mAP是深度学习模型的一个非常常见的模型评估指标,那么这么重要的一个指标究竟是一个啥东西呢?

在了解这个指标之前,我们需要明白以下几个概念:

什么是TP、TN、FP、FN?

现在假设我们的分类目标只有两类,分类结果正确的计为正例(positive)分类结果错误的j计为负例(negtive),然后我们就能得到如下的四种情况:

1)TP的英文全称为True Positives,其指的是被分配为正样本,而且分配对了的样本,代表的是被正确分类的正样本。
2)TN的英文全称为,其指的是被分配为负样本,而且分配对了的样本,代表的是被正确分类的负样本。
3)FP的英文全称为False Positives,其指的是被分配为正样本,但分配错了的样本,代表的是被错误分类的负样本。
4FP的英文全称为False Negatives,其指的是被分配为负样本,但分配错了的样本,代表的是被错误分类的正样本。

什么是Precision和Recall?

Precision指的是精度;
Recall指的是召回率。

那么两者具体代表的意思是什么呢?

Precision 其实代表精确率,精确率表示预测样本中实际正样本数占所有正样本数的比例

计算公式为:

精确率 = 正确预测样本中实际正样本数 / 所有的正样本数

即 precision = TP/(TP+FP)

Recall 召回率,召回率表示预测样本中实际正样本数占所有预测的样本的比例

计算公式为:  

召回率 = 正确预测样本中实际正样本数 /实际的正样本数

 Recall = TP/(TP+FN) ;

什么是AP?

对于目标检测而言任务,每一个类都可以计算出其Precision和Recall,通过合理的计算,每个类都可以得到一条P-R曲线曲线下的面积就是AP的值。

如下图所示:

map是什么,# 目标检测,深度学习,人工智能,python,计算机视觉,目标检测

计算面积:

map是什么,# 目标检测,深度学习,人工智能,python,计算机视觉,目标检测

即:AP = A1 + A2 + A3 + A4

什么是mAP?

讲到这里那究竟什么才是mAP?

其实mAP就是所有类别计算出来的AP取平均值!

mAP本质代表着什么?

为了理解mAP真正代表着什么,我们先来看看他的具体计算公式: 

map是什么,# 目标检测,深度学习,人工智能,python,计算机视觉,目标检测

我们可以看出,mAP的分子是AP,而AP的分子是什么呢?换句话来说,什么与mAP成正比关系?

这个答案就是:分类器判断是正确的类别并且真实确实是正确类别的数量TP。

 从这个角度来看,结论显然而出:

mAP体现的核心是其实就是准确率,mAP越高代表着的是判断是正确并且真正正确的精准度越高文章来源地址https://www.toymoban.com/news/detail-624464.html

到了这里,关于简单理解mAP究竟是什么的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 目标检测中常见指标 - mAP

    在目标检测领域,比较常用的两个公开数据集: pascal voc 和 coco 。 目标检测与图像分类明显差距是很大的,在图像分类中,我们通常是统计在验证集当中,分类正确的个数除以验证集的总样本数就能得到准确率。 那么对于目标检测,怎么样才能算检测正确呢? TP(True Posit

    2024年02月06日
    浏览(40)
  • 04- 评价指标mAP (目标检测)

    要点: Precision  (准确率 ): TP/(TP+FP) , 即模型给出的所有预测结果中命中真实目标的比例 。 Recall  (召回率): TP/(TP+FN) , 被找到的正确目标和所有正确目标的比值 。 官方文档: https://cocodataset.org/#detection-eval 参考文章: mAP的计算 TP   (True Positive): 一个正确的检测 ,检测

    2024年02月03日
    浏览(45)
  • 目标检测-计算IOU,mAP指标

    IoU,全称Intersection over Union,可翻译为交并比,是两个框交集与并集的比值。计算IoU的公式如下图,可以看到IoU是一个比值,即交并比。 在分子中,我们计算预测框和ground-truth之间的重叠区域;分母是并集区域,是预测框和ground-truth所包含的总区域。重叠区域和并集区域的比

    2024年02月12日
    浏览(36)
  • 图像检索,目标检测map的实现

    参考:https://blog.csdn.net/weixin_41427758/article/details/81188164?spm=1001.2014.3001.5506 rank-k:算法返回的排序列表中,前k位为存在检索目标则称为rank-k命中。 常用的为rank1:首位为检索目标则rank-1命中。 mAP(mean average precision):反应检索的人在数据库中所有正确的图片排在排序列表前面的

    2024年02月11日
    浏览(39)
  • 目标检测的mAP、PR指标含义

    基本概念 什么是一个任务的度量标准。对于目标检测任务来说,它的首要目标是确定目标的位置并判别出目标类别。这里已医学图像为例,我们需要计算出血液红细胞(RBC)、白细胞(WBC)和血小板的数量。为了实现这一功能,我们选择EfficientDet和yolov4这两个检测模型进行实

    2024年04月27日
    浏览(32)
  • 目标检测评估指标 mAP, FPS

    参考1 mAP (mean Average Precision) might confuse you! 参考2 Breaking Down Mean Average Precision (mAP) 根据 IoU 的取值,可以将预测得到 bbox 判断为 TP, FP 或者 FN。 TN 不考虑。 考虑下面这幅图,只查看 person 的预测 bbox。 TP 为 IoU 0.5 的bbox. FP : 有两种情况会被考虑为 FP IoU 0.5 其他大于0.5 但是小于

    2024年02月07日
    浏览(46)
  • 目标检测重要评价指标——mAP的含义及计算

    目标检测常见评价指标 1. 公开数据集 评价标准:pascal voc, coco,目前基本都在使用coco数据集。 2.评价指标 mAP: mean Average Precision, 即所有类别AP的平均值。 下面将介绍相关参数含义。 理论知识 : TP(True Positive) :与目标框(ground truth) IoU0.5的检测框数量 (同一个Ground Truth 只计

    2023年04月09日
    浏览(42)
  • 【目标检测】评价指标:mAP概念及其代码实现(yolo源码/pycocotools)

    本篇文章首先介绍目标检测任务中的 关键 评价指标 mAP 的概念;然后介绍其在 yolo源码 和 pycocotools工具 中的实现方法;最后比较两种mAP的计算方法的不同之处。 目标检测中的评价指标: mAP概念及其代码实现(yolo源码/pycocotools) 混淆矩阵概念及其代码实现(yolo源码)   在分类

    2024年01月20日
    浏览(47)
  • 目标框检测中准确率、召回率、AP、mAP计算原理及代码

    1、 TP、FP、TN、FN 概念 在对数据进行预测的时候,往往有以下几个概念: TP 、FP、TN、FN。 什么意思呢?即预测情况(Positive or Negtive)是否真正反应真实情况的关系: 看下面这解析你就懂了! TP:True Positive, 预测的是正样本,且正确预测 。 FP:False Positive, 预测的是正样本

    2024年02月05日
    浏览(41)
  • 目标检测评估指标mAP:从Precision,Recall,到AP50-95

    True Positive 满足以下三个条件被看做是TP         1. 置信度大于阈值(类别有阈值,IoU判断这个bouding box是否合适也有阈值)         2. 预测类型与标签类型相匹配(类别预测对了)         3. 预测的Bouding Box和Ground Truth的IoU大于阈值(框 打对了)。 当存在多个满足条件的预

    2024年02月09日
    浏览(43)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包