目标检测结果数据分析
文章目录
- 1.前言
- 2.mAP计算方法
- 3.各项指标含义
- 3.1 Average Precision(AP)
- 3.2 AP Across Scales
- 3.3 Average Recall(AR)
- 3.4 AR Across Scales
- 4.查看指标
1.前言
- 在验证集上会得到COCO的评价列表
- 在目标检测上常用的两个公开数据集pascal voc和coco
- 针对这两个数据集都有一个评判标准
- 目标检测与图像分类明显差距是很大的
- 在图像分类当中,我们通常是通过统计在验证集当中,分类正确的个数除以验证集的总样本数,就能得到准确率
- 在目标检测当中(如下图),绿色的框是人工标注的GT-box(Ground Truth box),红色的框是网络预测的bbox(bounding box)
- 我们通过计算预测边界框与人工标注的正确边界框IoU
- 检测正确从三个方面
- 第一个方面:判断IoU是否大于指定阈值
- 第二个方面:判断类别是否正确
- 第三个方面:判断confidence(置信度)是否大于指定阈值
2.mAP计算方法
TP(True Positive)预测正确的目标边界框个数:IoU>0.5的检测框数量(同一个Ground Truth只计算一次),即当预测边界框与GT box的IoU值大于0.5,就认为匹配成功,如下图cat 0.9的红色框
FP(False Positive)假阳性,不是目标却认为是目标:IoU<=0.5的检测框(或者是检测到同一个GT的多余检测框的数量),即预测边界框与GT box的IoU值小于等于0.5,如下图cat 0.3的红色框
FN(False Negative)漏检的目标个数:没有检测到的GT的数量,如右下角cat绿色框的猫,并没有检测到
Precision:TP/(TP+FP)模型预测的所有目标中,预测正确的比例——查准率
Recall:TP/(TP+FN)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(一个类别对应一个AP,多个类别取平均值就是mAP)
如下图,num_ob是指人工在图像上标注的真实目标边界框有7个
我们规定Confidence在0.66及以上的边界框就是标注成功的,下面左侧表中的OB中有一个是False,也就是FP(假阳性的),所以FN就是7-4=3
由此算出下图右表
对于Recall,如下表中,0.57重复了,所以就删除两个(保留Precision值最大的)
下图右侧图中,点外面有方框的就是Recall对应的5个点
蓝色部分就是AP的面积
下图最下方是计算公式
对于下式第一项,0.1是从0.14开始往下对对应的Precision最大的值,例如到最后一项,就是×0.71
每一项第一个乘数都是当前Recall值—上一个Recall值
最后的结果0.6694就是对应猫这个目标AP的值
使用同样方法,可以计算其他类别的AP值,最后算出所有类别AP的均值,得到mAP
3.各项指标含义
- COCO官网说明,里面详细介绍了每条数据的含义
3.1 Average Precision(AP)
- 如下图 A P I o U = 0.50 AP^{IoU=0.50} APIoU=0.50,就是以IoU的阈值取0.5的时候,计算的AP的数值,这个数值也就是PASCAL VOC数据集所提供的评价指标
- 在COCO的评价指标当中主要评价指标就是第一行 A P AP AP,意思是指在IoU从0.5-0.95,间隔为0.05,一共10个IoU上,分别去计算每个IoU上对应的mAP,再将10个mAP取均值得到COCO数据集中的AP
- 这个AP也是COCO数据集中最主要的一个评价指标
- 注意,下图虽然写的是AP,但实际上是mAP,因为这里结合上下文,很明确就知道这里的AP就是mAP,所以就简写成AP
- 下图还有一个 A P I o U = 0.75 AP^{IoU=0.75} APIoU=0.75,也就是当IoU阈值取0.75时对应的mAP值,这是一个更加严格的标准,因为IoU值设置的越大,也就意味着目标边界框与真实边界框重合度越高
3.2 AP Across Scales
- A P s m a l l AP^{small} APsmall即 A P AP AP针对小面积的,目标的像素面积 < 3 2 2 <32^2 <322
- A P m e d i u m AP^{medium} APmedium即 A P AP AP针对中等面积的,目标的像素面积 > 3 2 2 并且 < 9 6 2 >32^2并且<96^2 >322并且<962
- A P l a r g e AP^{large} APlarge即 A P AP AP针对大面积的,目标的像素面积 > 9 6 2 >96^2 >962
- 目标检测网络对于不同尺度的目标检测效果不同,比如应用场景都是相对较小的目标,那么就会更关注 A P s m a l l AP^{small} APsmall的值
3.3 Average Recall(AR)
- A R m a x = 1 AR^{max=1} ARmax=1,即每张图片最多预测1个目标
- A R m a x = 10 AR^{max=10} ARmax=10,即每张图片最多预测10个目标
- A R m a x = 100 AR^{max=100} ARmax=100,即每张图片最多预测100个目标
3.4 AR Across Scales
- A R s m a l l AR^{small} ARsmall即 A R AR AR针对小面积的,目标的像素面积 < 3 2 2 <32^2 <322
- A R m e d i u m AR^{medium} ARmedium即 A R AR AR针对中等面积的,目标的像素面积 > 3 2 2 并且 < 9 6 2 >32^2并且<96^2 >322并且<962
- A R l a r g e AR^{large} ARlarge即 A R AR AR针对大面积的,目标的像素面积 > 9 6 2 >96^2 >962
4.查看指标
- 第一行是COCO数据集的评价指标,是要看的
- 第二行是Pascal VOC的评价指标,也是要看的
- 如果对精度要求比较高,那么第三行也要看
- 接下来就是根据所检测目标的尺度来看相应的AP
- 在AR值中,主要关注检测目标取10和取100时候的值,如果这两个值相差比较小,那么我们就可以减少目标检测的个数,这样也能提供目标检测的效率
目标检测结果数据分析相关推荐
- 目标检测样本数据分析
目标检测样本数据分析 文章目录 目标检测样本数据分析 @[toc] 1. 样本格式转化 1.1 voc_to_txt 1.2 coco_to_txt 1.3 shp_to_txt 1.4 可视化vis ...
- 深度学习目标检测详细解析以及Mask R-CNN示例
深度学习目标检测详细解析以及Mask R-CNN示例 本文详细介绍了R-CNN走到端到端模型的Faster R-CNN的进化流程,以及典型的示例算法Mask R-CNN模型.算法如何变得更快,更强! ...
- 51篇最新CV领域综述论文速递!涵盖14个方向:目标检测/图像分割/医学影像/人脸识别等方向...
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 本文共汇总了从2020年4月至今的计算机视觉领域综述性论文,共54篇,涵盖图像分割. 图像识别.人脸识 ...
- 无人驾驶中的 3D 目标检测技术
2020 年 2 月 12 日 14:33 随着全球科技的飞速发展,无论是汽车行业还是其他的各行各业,紧跟时代脚步的重要性都是不容置疑的.近年来,自动驾驶汽车得到了很高的关注,但是理想和现实的差距却犹 ...
- 【CV】54篇最新CV领域综述论文速递!涵盖14个方向:目标检测/图像分割/医学影像/人脸识别等方向...
文章来源于极市平台,作者CV开发者都爱看的 [导读]本文共汇总了从2020年4月至今的计算机视觉领域综述性论文,共54篇,涵盖图像分割. 图像识别.人脸识别/检测.医学影像.目标检测.3D方向(自动驾 ...
- 2020年计算机视觉综述论文汇总!涵盖14个方向:目标检测/图像分割/医学影像/人脸识别等方向
导读:本文共汇总了从2020年4月至今的计算机视觉领域综述性论文,共54篇,涵盖图像分割. 图像识别.人脸识别/检测.医学影像.目标检测.3D方向(自动驾驶/深度估计).GAN.文本检测与识别.姿态估 ...
- 如何使用Soft-NMS实现目标检测并提升准确率
用一行代码提升目标检测准确率 论文摘要 非最大抑制(Non-maximum suppression, NMS)是物体检测流程中重要的组成部分.它首先基于物体检测分数产生检测框,分数最高的检测框M被选中 ...
- matlab背景点状,基于MATLAB的点状目标检测
中 国 民 航 飞 行 学 院 学 报 恤皿 基于 的 点状 目标检侧 田 青 ', 冯辉宗 中国民航飞行学院洛阳分院 河南洛阳 重庆邮电大学 重庆 摘 要 对低信噪比图像的预处理 , 是运动弱小目标 ...
- 《南溪的目标检测学习笔记》——COCO数据集的学习笔记
1 COCO数据集 COCO数据集下载链接:COCO_download 1.1 数据概览 数据集大小 train: 118287张 train+val: 123287张 val: 5000张 目标数量 ...
最新文章
- Linux RSS/RPS/RFS/XPS对比
- python中哪里用到缩进_Python编程常见十大错误
- 每日一皮:“为什么要离开我,我做得还不够好吗?”
- 新浪微博杨卫华 PHP,构建高性能的微博系统——再谈新浪微博架构_杨卫华.pdf
- 信息系统项目管理师论文基础知识
- 关键词联想关联 php,ECSHOP商品关键词模糊分词搜索插件,商品列表关键字加红功能...
- codeblocks如何让输出结果 空格_简单讲讲如何实现两个正整数相加,然后输出这个结果...
- java调用python,传参json字符串,含中文传参
- 在RedHat下安装MPlayer
- 性能高的tftp服务器,tftp服务器软件
- Git正解 脱水版 【7. Git命令】
- 解决pr调用麦克风的问题
- 微信公众平台开发-入门教程
- DELL Inspiron 15 5585 AMD Ryzen™ 5 3500U 解除功耗频率限制 性能起飞(文章失效:最新方案重装系统或者删除dell全套)
- Android版计算器(java实现,包含小数、负数、括号)代码和讲解
- 实验6 实现数据完整性
- Eggshell笔记
- 肖特基二极管检波电路设计与分析
- 蓝牙4.0--Android BLE(二)BleLib开源库
- 写一个微信小程序的代码
热门文章
- 如何将qlv格式的腾讯视频转换为mp4格式
- Java 求1-100以内的所有素数,判断一个数是不是素数。Java代码实现附测试结果图
- python画鱼_Python 水母吃鱼游戏 pygame
- 利用C4D创建啤酒盖模型
- Windows Vista系列技术文本――AERO篇(转)
- 关于酷我音乐盒2010贺岁版不能设置缓存所在的位置的问题
- 中国国电计算机通信类考试题目,2016国家电网通信类笔试真题——考生回忆版...
- 小马哥---高仿苹果6s 主板型号 T618 9900真实6571芯片刷机拆机主板多图展示
- 支付宝资金预授权开通客户端授权与案例讲解
- oracle回滚表空间的操作