mAP@0.5与mAP@0.50.95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@[.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:
- 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)
- 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)
- 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)
- 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
- 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 ...
- 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 ...
- 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@[. ...
- 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 ...
- 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 ...
- 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. ...
- 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 ...
- 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 ...
- 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
- RectF Rect用法
- 脱贫利器 | PYTHON多线程行情抓取工具实现
- 【攻防世界001】Guess-the-Number
- 什么是XSS攻击XSS攻击应用场景
- ubuntu16.04 + kinetic +turtlebot2配置
- Echo:新生好看的一言网站源码
- 大数据分析实战-信用卡欺诈检测
- ASP.NET极限:页面导航 (翻译)
- 传闻称马斯克从创始人手中偷走了特斯拉公司,马斯克回击...
- 如何自学python知乎-如何快速学习python?
- 2018主流台式计算机跑分,pu天梯图2018最新版2018电脑cpu处理器性能排行榜
- web前端高级实战 - 实现京东淘宝商品详细放大镜效果
- ssm框架bean_Bean简介:简化的WordPress框架
- vue项目使用svg图片
- 微信硬件平台蓝牙打印机
- [P1459 [USACO2.1]三值的排序 Sorting a Three-Valued Sequence]
- 【强化记忆】生物选修三填空题考点强化记忆2-胚胎工程、安全伦理问题、生态工程——2017年2月25日...
- laravel短信包 easy-sms
- html网页打印纵向横向,HTML----打印网页指定区域
- java代码拉马车游戏,8届省赛java 拉马车