mAP@0.5: mean Average Precision(IoU=0.5)

即将IoU设为0.5时,计算每一类的所有图片的AP,然后所有类别求平均,即mAP。

mAP@.5:.95(mAP@[.5:.95])

表示在不同IoU阈值(从0.5到0.95,步长0.05)(0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95)上的平均mAP。

那AP是什么呢,Average Precision,是单个类别平均精确度,而mAP是所有类别的平均精确度

AP是Precision-Recall Curve曲线下面的面积

曲线面积越大说明AP的值越大,类别的检测精度就越高。Recall官方称为召回率,可以考虑叫做查全率,Precision官网称为准确率叫做查准率,两者是相互矛盾的指标,如果能够较好的平衡两者,将在不同的条件下得到较好的检测效果,也就是图中的曲线面积。
P r e c i s i o n = T P T P + F P Precision= {TP over TP+FP} Precision=TP+FPTP
R e c a l l = T P T P + F N Recall = {TP over TP + FN} Recall=TP+FNTP

其中(混淆矩阵):
True Positive区域:正样本预测为正样本
False Positive区域:正样本预测为负样本
False Negative区域:负样本预测为正样本
True Negative区域:负样本预测为负样本

预测样本在检测中就是预测框的大小,我们设置的IoU就是指的真实框与预测框的交并比,如果大于阈值就是正确,小于就是错误。

这里强调一下,当我们的样本与GT交并比确定之后,这里还不能确定TP、FP、FN、FN指标,只能说确定了预测正负样本的类别,但不能说真实正确样本的类别。需要通过置信度或者类的预测概率进行确定,主要是设定不同的阈值。这么说可以比较抽象,举个例子

上图是我们生成的预测框与GT样本的IOU计算结果(最右列),根据IOU阈值和计算的IOU值可以确定预测候选框正负样本的类别,但是是否真正为正样本还是负样本,主要取决于置信度的阈值,当我们设置一个置信度阈值时,可以得到对应的一个P和R,通过设置不同的置信度阈值时,就可以得到多个P和R,进一步绘制的PR曲线。

总结一下mAP的计算过程:

  1. 设置IoU阈值(简单说,设置预测框与真实框的重叠程度满意度)
  2. 计算GT和预测框的IoU,并确定每个预测框的预测值(被预测为正样本还是负样本)
  3. 通过设置置信度阈值(或者检测类别概率)得到不同的TP,TN,FP,FN计算P和R,绘制PR曲线,计算曲线的面积(根据点的坐标进行计算,如果同一个R有对应2个P,计算最大的即可)
  4. 完成!!!

在Yolo系列中,mAP@.5效果还是不错的,但mAP@.5:0.95的效果较差,可能是IoU的值设定过高对于检测框的位置要求也过高,同时,ground truth也是认为标定的,也没法说明高精度性。(有点偏袒yolo系列=_=)!!

mAP@0.5与mAP@0.50.95的含义相关推荐

  1. mAP@0.5 与 mAP@0.5:0.95 是什么意思,YOLOv5

    mAP@0.5: mean Average Precision(IoU=0.5) 即将IoU设为0.5时,计算每一类的所有图片的AP,然后所有类别求平均,即mAP 如图所示,AP50,AP60,AP7 ...

  2. mAP@0.5与mAP@0.5:0.95的含义,YOLO

    mAP@0.5:mean Average Precision(IoU=0.5) 即将IoU设为0.5时,计算每一类的所有图片的AP,然后所有类别求平均,即mAP 如图所示,AP50,AP60,AP70 ...

  3. mAP@0.5与mAP@0.5:0.95的含义

    mAP@0.5: mean Average Precision(IoU=0.5) 即将IoU设为0.5时,计算每一类的所有图片的AP,然后所有类别求平均,即mAP. mAP@.5:.95(mAP@[. ...

  4. ap和map的计算,mAP@.5 mAP@.5:.95的含义

    网络的输出有置信度和bbox的位置.根据这两个的综合评价得到一个准确的指标:ap,map. 参考:https://blog.csdn.net/qq_35916487/article/details/8 ...

  5. 阿里 Midway 正式发布 Serverless v1.0,研发提效 50%

    开源为了前端和 Node.js 的发展,Github:https://github.com/midwayjs/midway,点击直接跳转点 Star. 去年阿里提出 Serverless 架构,并利用 ...

  6. Redis 7.0 正式发布,新增近 50 个新命令,这次真的学不动了。。

    Redis 7.0 现已正式发布,该版本已经开发了将近一年,之前经历了三个候选版本.现如今,开发团队认为它已经足够稳定,可以应用于生产. 简而言之,Redis 7.0 几乎包括了对各个方面的增量改进. ...

  7. Arduino遇上机智云4.0,岂止是送50个Arduino板卡!

    Arduino遇上机智云4.0,岂止是送50个Arduino板卡! 9月19日,GO DAY机智云开发者大会暨机智云4.0新品发布会将在京城MIX夜店举行. 选择夜店并非是为了夜不归宿,而是要让夜晚放 ...

  8. Ubuntu 20.04 下Fabric V2.2.0 和 V1.1.0 运行及配置说明(均可运行)

    ubuntu 20.04 下Fabric V2.2.0 和 V1.1.0 运行及配置说明 ubuntu 20.04 下Fabric运行及配置说明 注:本文是对 <hyperledger/fabr ...

  9. java 定义map集合_java基础-Map集合

    java基础-Map集合 作者:尹正杰 版权声明:原创作品,谢绝转载!否则将追究法律责任. 一.Map集合概述 我们通过查看Map接口描述,发现Map接口下的集合与Collection接口下的集合,它 ...

最新文章

  1. 乾勤科技-智能车竞赛培训计划
  2. 织梦调用css的标签,织梦dede常用的调用标签(个人总结)
  3. java递归实现多级菜单栏_vue+ java 实现多级菜单递归效果
  4. Atomic原子类和Unsafe魔法类 详解
  5. 第二篇:Dos下运行java程序
  6. J2SE基础夯实系列之正则表达式Java
  7. 由我国科学家研制的计算机,由我国科学家研制的系列超级计算机综合技术处于国际领先水平,2015年11月,全球超级计算机...
  8. 【修真院java小课堂】代码生成
  9. 进来看新手该怎么选择自己的第一个平台——shopee、lazada、速卖通版
  10. 看看小编都用啥!实用Win7小软件大推荐
  11. New UWP Community Toolkit - DeveloperTools
  12. QT各种压缩包下载地址
  13. 2022网易云前端+nodejs后端API项目部署全解
  14. 电力系统强大的Gurobi 求解器的学习(PythonMatlab)
  15. 操作系统的fock和mmap
  16. 分享99个JS幻灯片代码,总有一款适合您
  17. 用户使用报告_如何撰写一份合格的竞品分析报告(产品经理篇)
  18. Redis集群原理与容器化部署集群
  19. 教你看懂卫星场强图,更好入门烧星
  20. 考虑不周和指针越界1156: 单数变复数

热门文章

  1. 自由人nft鲸探数字藏品有收藏价值吗?国内哪些平台的NFT值得收藏
  2. tips显示位置下面 html,简单实用的jQuery Tooltips工具提示插件
  3. 拒绝平庸,张扬出彩——维乐VELO Angel Revo
  4. java实现全角和半角之间的转换
  5. windows平台下VLC2.0.5编译
  6. mybatis-sparing- 1.1.1 和1.1.2版本的区别
  7. 外国开发者都知道的Android-筑基导论,作为一个Android程序员
  8. LSF-SCNN:一种基于CNN的短文本表达模型及相似度计算的全新优化模型
  9. bootstrap.css 加载,使用Bootstrap.css 中IE下页面加载过慢问题
  10. Golang:输出Emoji表情符号