『论文阅读笔记』目标检测模型中的性能评价方式-IOU、precision/recall、mAP、PR、Fps!
目标检测模型中的性能评估标准-IOU、precision/recall、mAP、PR、Fps! |
文章目录
- 一、交并比IOU
- 二、精确率(precision)和召回率(recall)
- 三、P-R(precision-recall)曲线
- 四、mAP(mean average precision)
- 五、检测速率Fps(frame per second)
- 参考文献
重要参考文章,比较好的。
- 参考文章:目标检测模型的评估指标mAP详解(附代码)!
- 参考文章:AP,mAP计算详解(代码全解)
- 参考文章:关于mAP计算的一些思考
一、交并比IOU
- 物体检测需要定位出物体的bounding box,就像下面的图片一样,我们不仅要定位出车辆的bounding box 我们还要识别出bounding box 里面的物体就是车辆。对于bounding box的定位精度,有一个很重要的概念,因为我们算法不可能百分百跟人工标注的数据完全匹配,因此就存在一个定位精度评价公式:IOU。
- IOU定义了两个bounding box的重叠度,如下图所示:
- 矩形框A、B的一个重合度IOU计算公式为:就是矩形框A、B的重叠面积占A、B并集的面积比例:
IOU=(A∩B)/(A∪B)IOU=(A∩B)/(A∪B)IOU=(A∩B)/(A∪B)
二、精确率(precision)和召回率(recall)
首先介绍一个模型评价术语,现在假设我们的分类目标只有两类,计为正例(positive)和负例(negtive)分别是:
- True positives(TP) :实际为正例且被分类器划分为正例的样本数。
- False positives(FP):实际为负例但被分类器划分为正例的样本数。
- False negatives(FN):实际为正例但被分类器划分为负例的样本数。
- True-negatives(TN): 实际为负例且被分类器划分为负例的样本数。
具体描述如下:
注意:一般来说,precisionprecisionprecision 和 recallrecallrecall 是鱼与熊掌的关系,往往召回率越高,准确率越低
三、P-R(precision-recall)曲线
P-R曲线即 以 precision 和 recall 作为 纵、横轴坐标 的二维曲线。通过选取不同阈值时对应的精度和召回率画出。
注意:总体趋势,精度越高,召回越低,当召回达到1时,对应概率分数最低的正样本,这个时候正样本数量除以所有大于等于该阈值的样本数量就是最低的精度值。另外,P-R曲线围起来的面积就是AP值,通常来说一个越好的分类器,AP值越高
- 最后小小总结一下,在目标检测中,每一类都可以根据 recall 和 precision绘制P-R曲线,APAPAP就是该曲线下的面积,mAP就是所有类AP的平均值。
四、mAP(mean average precision)
目标检测模型中性能评估的几个重要参数有精确度和召回率。下面将讨论一个常用的度量指标:**均值平均精确率,mAP:不同类别下的平均精确率!,结合PR曲线。
平均精确率
- AP(Average Precision)即是 :不同召回率下的平均。可以通过计算PR曲线的面积。
- mAP 即 Mean Average Precision即平均AP值,是对多个验证集个体求平均AP值,作为 object detection中衡量检测精度的指标。
总结:目标检测中衡量识别精度的指标是mAP(mean average precision)。多个类别物体检测中,每一个类别都可以根据recall和precision绘制一条曲线,AP就是该曲线下的面积,mAP是多个类别AP的平均值
五、检测速率Fps(frame per second)
- 1秒内识别的图像数(帧数)
参考文献
- https://blog.csdn.net/qq_29893385/article/details/81213377
- https://blog.csdn.net/zl3090/article/details/82740727
- https://zhuanlan.zhihu.com/p/70667071
『论文阅读笔记』目标检测模型中的性能评价方式-IOU、precision/recall、mAP、PR、Fps!相关推荐
- 论文阅读笔记 | 三维目标检测——PartA2算法
如有错误,恳请指出. 文章目录 0. 前言与补充知识 1. 背景 2. 相关工作 3. 网络结构 3.1 Part-aware stage Anchor-free Proposal Generatio ...
- 论文阅读笔记 | 三维目标检测——PointRCNN
如有错误,恳请指出. 文章目录 1. 背景 2. 网络结构 2.1 Proposal Generation 2.2 Proposal Refinement 3. 实验部分 3.1 kitti上的测评 ...
- 论文阅读笔记 | 三维目标检测——VoxelNet算法
如有错误,恳请指出. 文章目录 1.背景 2. 网络结构 2.1 体素特征表示 2.2 卷积特征提取 2.3 RPN网络 3. 实验结果 paper:<VoxelNet: End-to-End ...
- 论文阅读笔记 | 三维目标检测——MV3D算法
如有错误,恳请指出. 文章目录 1. 背景 2. 网络结构 2.1 提案投影网络 2.2 区域融合网络 3. 实验结果 paper:<Multi-View 3D Object Detection ...
- 论文阅读笔记 | 三维目标检测——3DSSD
如有错误,恳请指出. 文章目录 1. 背景 2. 网络结构 2.1 特征提取 2.2 边框生成 3. 实验结果 paper:<3DSSD: Point-based 3D Single Stage ...
- 论文阅读笔记 | 三维目标检测——Complex-YOLO算法
如有错误,恳请指出. 文章目录 1. 背景 2. 网路结构 3. 实验结果 paper:<Complex-YOLO: An Euler-Region-Proposal for Real-time ...
- 论文阅读笔记 | 三维目标检测——VoxelRCNN算法
如有错误,恳请指出. 文章目录 1. 背景 2. 网络结构 Voxel Query Voxel ROI Pooling Accelerated Aggregation Loss Compute 3. ...
- python模型预测_python:目标检测模型预测准确度计算方式(基于IoU)
训练完目标检测模型之后,需要评价其性能,在不同的阈值下的准确度是多少,有没有漏检,在这里基于IoU(Intersection over Union)来计算. 希望能提供一些思路,如果觉得有用欢迎赞我表 ...
- 《南溪的目标检测学习笔记》——目标检测模型的设计笔记
1 南溪学习的目标检测模型--DETR 南溪最赞赏的目标检测模型是DETR, 论文名称:End-to-End Object Detection with Transformers 1.2 decode ...
最新文章
- 面试看缘分php,php测试姓名缘分指数
- POJ NOI MATH-7828 最大公约数与最小公倍数
- CPU方案简介ATS3609D - 智能故事机
- mysql jdbc 批量_MYSQL 之 JDBC(十四):批量处理JDBC语句提高处理效率
- python怎么写中文至excel_[ Python爬虫实战 ] python 操作excel以及解决中文报错 - pytorch中文网...
- CentOS 6.4利用xampp安装bugfree3
- AMD推Radeon HD 7790显卡 性价比突出下月开卖
- Java加密与解密的艺术~AES-GCM-NoPadding实现
- 小程序获取用户手机号_借助云开发5行代码获取小程序用户的手机号
- python推荐系统算法朴素贝叶斯_机器学习经典算法之朴素贝叶斯分类
- .Net页面缓存OutPutCache详解
- ios mailto:// 用邮箱发邮件_投简历用什么邮箱最好?投简历怎么发邮件?
- Flash之swf文件的加密与破解
- plsqldev工具在使用过程中遇到的问题
- 影视动画特效制作中的光学动作捕捉
- NGUI-动画Tween
- 11.JVM-垃圾回收概述
- 基于逆向工程的内存真值检查来保卫网络物理系统
- 阿里云ECS服务器使用要求及不可以进行的操作
- 【146期】面试官问:说一说 RabbitMQ 的几种工作模式和优化建议?