目标检测中常见指标 - mAP

这篇具有很好参考价值的文章主要介绍了目标检测中常见指标 - mAP。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。

1. 评价指标

在目标检测领域,比较常用的两个公开数据集:pascal voccoco

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 Positive):IoU>0.5的检测框数量(同一Ground Truth只计算一次)

FP(False Positive):IoU<=0.5的检测框(或者是检测到同一个GT到多余检测框的数量)

FN(False Negative):没有检测到的GT的数量

目标检测中常见指标 - mAP,Python,目标检测,人工智能,计算机视觉,卷积神经网络,图像处理

Precision: T P T P + F P \frac{TP}{TP+FP} TP+FPTP模型预测的所有目标中,预测正确的比例 - 查准率

Recall: T P T P + F N \frac{TP}{TP+FN} TP+FNTP所有真实目标中,模型预测正确的目标比例 - 查全率

AP:P-R曲线下面积

P-R曲线:Precision-Recall曲线

mAP:mean Average Precision,即各类别AP的平均值


2. 计算示例

目标检测中常见指标 - mAP,Python,目标检测,人工智能,计算机视觉,卷积神经网络,图像处理

目标检测中常见指标 - mAP,Python,目标检测,人工智能,计算机视觉,卷积神经网络,图像处理

目标检测中常见指标 - mAP,Python,目标检测,人工智能,计算机视觉,卷积神经网络,图像处理

目标检测中常见指标 - mAP,Python,目标检测,人工智能,计算机视觉,卷积神经网络,图像处理

当我们recall有重复值时,只用保留Precision值最大的信息。

目标检测中常见指标 - mAP,Python,目标检测,人工智能,计算机视觉,卷积神经网络,图像处理

以Recall为横坐标,以Precision为纵坐标,得到PR曲线。

目标检测中常见指标 - mAP,Python,目标检测,人工智能,计算机视觉,卷积神经网络,图像处理

阴影部分的免费则就说AP值,即
A P = 0.57 × 1.0 + ( 0.71 − 0.57 ) × 0.71 = 0.57 + 0.0994 = 0.6694 AP = 0.57\times 1.0 + (0.71-0.57)\times 0.71 = 0.57+0.0994 = 0.6694 AP=0.57×1.0+(0.710.57)×0.71=0.57+0.0994=0.6694
这里求的的AP为对应猫这个类别的AP值。使用同样的方法求出其他类别的AP值,最后求出所有类别AP的均值,就得到了mAP。

注意:

在我们所有网络给出的结果都是经过非极大值抑制处理后所得到的目标边界框。


3. COCO评价指标

官网文档:https://cocodataset.org/#detection-eval

目标检测中常见指标 - mAP,Python,目标检测,人工智能,计算机视觉,卷积神经网络,图像处理

目标检测中常见指标 - mAP,Python,目标检测,人工智能,计算机视觉,卷积神经网络,图像处理文章来源地址https://www.toymoban.com/news/detail-737869.html

到了这里,关于目标检测中常见指标 - mAP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

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