目标检测的评价指标P,R,mAP

最新推荐文章于 2026-04-03 11:00:45 发布
原创 最新推荐文章于 2026-04-03 11:00:45 发布 · 1.4w 阅读 · 93

目标检测的评价指标P,R,mAP

1 基本概念

1.1 IOU(Intersection over Union)

交集除以并集，这样可以更好的表示两个框的重合程度
在这里插入图片描述

1.2 TP TN FP FN

TP(Truth Positive)：预测对的正类，我说他对，而且他本来也是对的
TN(Truth Negative)：预测对的负类，我说他错，而且他本来也是错的
FP(False Positive)：预测错的正类，我说他对，但是他错了
FN(False Negative)：预测错的负类，我说他对，但是他是对的
在这里插入图片描述
总结：猜对就是T，猜错就是F，猜是啥看PN

2. 各种率

  • Accuracy：这个可以翻译成准确率，就是对于就是 ( T P + T N ) / ( P + N ) (TP+TN)/(P+N) (TP+TN)/(P+N)，这个指标在样本比例差异较大时，容易失效，因为只要将全部预测成比例多的那种即可得到很高的准确率
  • Precision：这个有翻译成精确率，不过我觉得翻译成查准率更合适，预测的正类中对了几个 T P / ( T P + F P ) TP/(TP+FP) TP/(T</
标签
#python #mAP #目标检测 #深度学习 #计算机视觉
最低0.47元/天 解锁文章
目标检测AP，mAP计算以及P/R曲线绘制-第一篇：评价指标
苏打水的杯子的博客
05-27 1179
别再混淆了！一文搞懂目标检测中的AP、mAP和mAP@0.5:0.95区别
weixin_29050271的博客
03-31 231
本文深入解析目标检测中的关键评估指标AP、mAP和mAP@0.5:0.95，帮助开发者准确理解它们的计算方式和适用场景。通过对比不同IOU阈值下的性能表现，提供实战指南以优化模型评估和选择，特别适合计算机视觉研究者和工程师参考。
目标检测评估指标 mAP P R
m0_59787404的博客
02-22 5927
R（召回率recall）=正确预测的正样本数/实际拥有的正样本数 P（准确率precision）=正确预测的正样本数/总预测样本数 R是查全率，P是查准率，是两个不同维度的衡量方法。有时这两个是矛盾的，比如只检测出了一个结果，且是正确的，那么P就是100%，但是R就会很低。如果我们把所有认为可能的结果都返回，那么P可能就会很低，R就很高 比如： R高P低：所有汽车都被正确识别出来，但是很多卡车也被误认为是汽车 R低P高：识别出的飞机都是正确的，但还有很多飞机没被识别出来 所以衡量一个模型
详细讲解YOLO 里的 P、R、F1、PR 曲线、AP 和 mAP
最新发布
weixin_44115575的博客
04-03 894
本文详细解析了目标检测中的关键评价指标mAP的计算原理。首先介绍了基础概念：TP/FP/FN/TN、精确率(Precision)和召回率(Recall)的定义及相互关系，通过猫狗检测案例说明二者此消彼长的特性。重点阐述了PR曲线的生成过程：将预测框按置信度排序后逐步加入，计算每个步骤的P-R值形成曲线。AP计算采用PR曲线下面积，通过插值平滑处理。mAP则是所有类别AP的平均值，并解释了不同IoU阈值(如0.5或0.5:0.95)的含义。
机器学习之参数-P、R、AP、mAP、F1
AndrewPerfect的博客
07-02 2234
调小的同时增大学习率（learning_rate）是一种常用的策略，旨在保持训练速度的同时提高模型的训练质量。可能使得每次迭代中的噪声增加，从而有助于模型跳出局部最小值；而增大的学习率则有助于模型更快地更新权重。预测样本中实际正样本数。预测样本中实际正样本数。
从P-R曲线到mAP，绝对简单易懂
wuhao1205的博客
05-11 1338
RP ROC mAP
P R MAP简单理解,yolo中
weixin_47604030的博客
08-16 2786
Precision（精确率、查准率）：已识别的分类准确率 我的理解：正确分类的个数/所有识别出来的个数 Recall （召回率、查全率） 我的理解 ：已经识别的个数 / 应该识别的个数 MAP@.5 (MeanAccuracy） 就是把置信度设定在0.5,超过0.5就是我们就认定他是某类物体 平均准确率 ...
P-R曲线与mAP
许进进的博客
06-04 7665
reference：http://blog.csdn.NET/marising/article/details/6543943 在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。 准确率、召回率、F1 信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，...
目标检测评价指标（mAP、P-R曲线、IOU）
redross的博客
03-04 2190
目标检测评价指标（mAP、P-R曲线、IOU）一、mAP如何去理解？ 一、mAP 真实情况 预测为正 预测为反 recall召回率 正 TP FN R = TP / (TP + FN) 反 FP TN precision准确率 P = TP / (TP + FP) 如何去理解？ 这四个字母看着真头晕，就算看博客当时理解了，过一会儿就忘了，所以决定整理一下，用特殊的方法记住他！ 后面的字母P（positive）和N（negative）是针对检测器而言的。检测器认为它是正，则是
目标检测评价指标（mAP、P-R曲线、IOU）超好理解
CSSDCC的博客
05-06 2134
目标检测评价指标（mAP、P-R曲线、IOU）一、mAP如何去理解？尝试理解precision准确率（第一列）recall召回率（第一行）P-R曲线二、IOU（交并比） 一、mAP 真实情况 预测为正 预测为反 recall召回率 正 TP FN R = TP / (TP + FN) 反 FP TN precision准确率 P = TP / (TP + FP) 如何去理解？ 这四个字母看着真头晕，就算看博客当时理解了，过一会儿就忘了，所以决定整理一下，用特殊的方法记住他！
目标检测常用评价指标及其计算方法
weixin_45246566的博客
02-22 3769
本文整理了目标检测常用评价指标及其计算方法
目标检测评价指标mAP
uncle_ll的博客
08-13 6663
目标检测评价指标 mAP是目标检测中常用的评价指标之一，在论文中可以经常看到。全称是mean average precision (mAP)即各个类别AP的平均值。常用的评测指标有： mAP: mean Average Precision, 即各类别AP的平均值 TP、FP、FN、TN True Positive (TP): IoU>IOU_threshold（一般设置为0.5）的检测框数量（同一Ground Truth/GT只计算一次） False Positive (FP):
学习笔记3——目标检测的评价指标（AC、TP、FP、FN、TN、AP、ROC、AUC、mAP、mAP@.5、mAP@.5:.95）
daige123的博客
12-01 7917
目标检测的评价指标整理： 本来想整理一波评价指标，查找资料发现有几个博主整理的很全面，就copy过来啦，西西~~ 目标检测 — 评价指标 - 深度机器学习 - 博客园 (cnblogs.com) python实现混淆矩阵 - 知乎 (zhihu.com) 1、准确率 （Accuracy） 　　所有样本中正确样本所占的比值为准确率，是系统中最常见的一个评价指标。 　准确率一般用来评估模型的全局准确程度，无法全面评价一个模型性能。 2、混淆矩阵 （Confusion Matrix） 混淆矩...
YOLO算法：关于目标检测的评价指标（小白入门必读）
小哥谈
10-24 3165
目标检测评价指标是用来衡量目标检测算法性能的指标，主要包括几个指标：精确率（Precision）、召回率（Recall）、交并比（IoU）、平均精度（AP）和多个类别AP的平均值即mAP等等。本节课就给大家重点介绍下目标检测中的相关评价指标及其含义，希望大家学习之后能够有所收获！
目标检测中的评估指标：PR曲线、AP、mAP
Clichong
06-08 5873
文章目录1.precision & recall2.P-R曲线3.AP计算4.mAP计算 1.precision & recall 规定IOU > 0.5表示物体被检测出来 以下面一个猫狗的例子介绍precision与recall，任务找其中狗 我们将被正确识别的狗，称为True positives。我们将被正确识别的猫称为True negatives。为什么会有这个概念？什么是被正确识别的猫？我们知道我们这里的目标是找狗，那么那些我们没有标注的猫，是不是从反向说明我们的查找准确率（
Detection：目标检测常用评价指标的学习总结（IoU、TP、FP、TN、FN、Precision、Recall、F1-score、P-R曲线、AP、mAP、 ROC曲线、TPR、FPR和AUC）
热门推荐
目前涉及领域：目标检测，语义分割以及数字图像处理
11-08 1万+
1. 第一部分介绍IoU这个指标的含义和计算方法。 2. 第二部分介绍TP、FP、TN、FN这四个指标的含义，以及在目标检测中的使用方法。 3. 第三部分介绍Accuracy、Precision、Recall、F1-score这四个指标的含义，以及在单类别和多类别下的计算方法。 4. 第四部分介绍P-R曲线、AP和mAP这个三个指标的含义和计算方法。 5. 第五部分介绍ROC曲线和AUC这个两指标的含义和计算方法。 6. 最后还最后还附上了yolov5计算指标代码的部分解释，并举例说明。详情参见附录。
单目标优化评价指标_浅析经典目标检测评价指标：mmAP（一）
weixin_39681621的博客
01-28 560
点击上方“深度学习工坊”，“星标”或"置顶"关键时刻，第一时间送达作者：赵博睿https://zhuanlan.zhihu.com/p/55575423本文已由赵博睿授权转载大家好，我是旷视科技南京研究院研究员赵博睿，主要研究领域为目标检测。今天和大家聊聊mmAP的那些事～目标检测是计算机视觉领域的一项基础问题，在许多智能场景的落地应用中目标检测通常都是视觉感知的第一步。在学术研究中，M...
模型评价指标笔记：混淆矩阵+F1+PR曲线+mAP
一只努力学习的小碗~
05-22 1951
模型评价指标笔记，涉及混淆矩阵、F1、精确率和召回率、PR曲线、AP、mAP等
深度学习-目标检测评估指标P-R曲线、AP、mAP
LaoPan0111的博客
06-02 1153
深度学习-目标检测评估指标P-R曲线、AP、mAP 版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。 转载自：https://blog.csdn.net/qq_41994006/article/details/81051150 基本概念 P-R曲线中，P为图中precision，即精准度，R为图中recall，即召回率。 Example 下面通过具体例子说明
目标检测中的评价指标
maniac_ran的博客
11-07 886
IOU体现了定位的准确性，比值越高说明预测的结果越准确。在YOLO算法中通常使用 FPS和 mAP来评价算法的实际性能：FPS越高代表检测的图像数量越多，算法的运行速度越快。（6）IOU，交并比，是指模型生成的预测框 A 和真实框 B 之间交集与并集的比例。（5）mAP，平均 AP 值，是对多个预测类别的 AP 值求平均 AP 值。（4）AP，平均精确度，是 PR 曲线下面的面积，也是预测类别的概率。（2）P，精确率，是指预测出的类别中是正确类别的。（3）R，召回率，是指预测出的正确类别在该正样本。
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值