目标检测评价指标

召回率(Recall),精确率(Precision),平均正确率(AP),交除并(IoU)

详见https://blog.csdn.net/syoung9029/article/details/56276567

有点代码在

https://blog.csdn.net/gubenpeiyuan/article/details/80284755

https://blog.csdn.net/qq_17550379/article/details/79875784

更详细的见https://blog.csdn.net/holmes_MX/article/details/82466537

mean Average Precision

对于一张图片中的c类目标

算法检测出来 T 个c类的目标

而真值是 TP+FN 个c类的目标

检测结果中有 TP 个结果和真值的 IOU 达到某个设定的阈值

那么Precision定义为:

对所有图片求平均得到Average Precision 的定义值:

对所有类求平均就得到mean Average Precision的定义值:

原文地址:https://www.cnblogs.com/4c4853/p/9781778.html

时间: 2024-10-18 00:38:29

目标检测评价指标的相关文章

目标检测 — 评价指标

评价指标: 准确率 (Accuracy),混淆矩阵 (Confusion Matrix),精确率(Precision),召回率(Recall),平均正确率(AP),mean Average Precision(mAP),交除并(IoU),ROC + AUC,非极大值抑制(NMS). 1.准确率 (Accuracy) 分对的样本数除以所有的样本数 ,即:准确(分类)率 = 正确预测的正反例数 / 总数. 准确率一般用来评估模型的全局准确程度,不能包含太多信息,无法全面评价一个模型性能. 2.混淆矩

分类和目标检测的性能评价指标

对于深度学习的网络模型,希望其速度快,内存小,精度高.因此需要量化指标来评价这些性能,常用的指标有:mAP(平均准确度均值,精度指标), FPS(每秒处理的图片数量或每张图片处理需要时间,同样硬件条件下的速度指标) , 模型参数大小(内存大小指标). 1.mAP (mean Avearage Precision) mAP指的是各类别的AP平均值,而AP指PR曲线的面积(precision和Recall关系曲线),因此得先了解下precision(精确率)和recall(召回率),以及相关的acc

深度学习之目标检测常用算法原理+实践精讲

第1章 课程介绍本章节主要介绍课程的主要内容.核心知识点.课程涉及到的应用案例.深度学习算法设计通用流程.适应人群.学习本门课程的前置条件.学习后达到的效果等,帮助大家从整体上了解本门课程的整体脉络. 第2章 目标检测算法基础介绍本章节主要介绍目标检测算法的基本概念.传统的目标检测算法.目前深度学习目标检测主流方法(one-stage.two-stage.多任务网络).相关算法的基本流程.算法性能的评价指标.不同算法的优缺点和性能比较等,并结合实际的应用场景和案例来介绍目标检测算法的重要性和实用

深度学习之目标检测常用算法原理+实践精讲 YOLO / Faster RCNN / SSD / 文本检测 / 多任务网络

深度学习之目标检测常用算法原理+实践精讲 YOLO / Faster RCNN / SSD / 文本检测 / 多任务网络 资源获取链接:点击这里 第1章 课程介绍 本章节主要介绍课程的主要内容.核心知识点.课程涉及到的应用案例.深度学习算法设计通用流程.适应人群.学习本门课程的前置条件.学习后达到的效果等,帮助大家从整体上了解本门课程的整体脉络. 1-1 课程导学 第2章 目标检测算法基础介绍 本章节主要介绍目标检测算法的基本概念.传统的目标检测算法.目前深度学习目标检测主流方法(one-sta

小目标检测相关资料备忘

1.评价指标 mean Average Precision(mAP) https://blog.csdn.net/zl3090/article/details/82740727 https://www.cnblogs.com/eilearn/p/9071440.html https://blog.csdn.net/yangzzguang/article/details/80540375 https://blog.csdn.net/wangdongwei0/article/details/8303

目标检测方法——SSD

SSD论文阅读(Wei Liu--[ECCV2016]SSD Single Shot MultiBox Detector) 目录 作者 文章的选择原因 方法概括 方法细节 相关背景补充 实验结果 与相关文章的对比 总结 作者 文章的选择原因 性能好,single stage 方法概括 文章的方法介绍 SSD主要用来解决目标检测的问题(定位+分类),即输入一张待测图像,输出多个box的位置信息和类别信息 测试时,输入一张图像到SSD中,网络输出一个下图最右边的tensor(多维矩阵),对该矩阵进行

基于深度学习的目标检测研究进展

前言 开始本文内容之前,我们先来看一下上边左侧的这张图,从图中你看到了什么物体?他们在什么位置?这还不简单,图中有一个猫和一个人,具体的位置就是上图右侧图像两个边框(bounding-box)所在的位置.其实刚刚的这个过程就是目标检测,目标检测就是"给定一张图像或者视频帧,找出其中所有目标的位置,并给出每个目标的具体类别". 目标检测对于人来说是再简单不过的任务,但是对于计算机来说,它看到的是一些值为0~255的数组,因而很难直接得到图像中有人或者猫这种高层语义概念,也不清楚目标出现在

caffe框架下目标检测——faster-rcnn实战篇操作

原有模型 1.下载fasrer-rcnn源代码并安装 git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git 1)  经常断的话,可以采取两步: git clone https://github.com/rbgirshick/py-faster-rcnn.git 2)  到py-faster-rcnn中,继续下载caffe-faster-rcnn,采取后台跑: git submodule update --in

机器视觉中的目标检测

今天撇去不同目标追踪算法的框架,比如KCF.TLD.Mean Shift等,忽略它们繁琐的公式,看了对目标检测的基本理解.这里做一个简单的总结,目标检测的框架一般是下图这样的: 目标检测分为以下几个步骤: 1. 训练分类器所需样本的创建 训练样本一般包括正样本和负样本,正样本是指第一帧图中框定的待检测的目标,负样本是指其它不包含目标的任意图片(比如背景),所有的样本图片都被归一化同样的尺寸大小(比如20C20). 2. 特征提取 我们一般通过图像.视频或者波形获得的数据量是很巨大的,比如一个简单