目标检测评价指标详解（mAP、AP、FPS）

原创 已于 2025-07-22 16:05:02 修改 · 1.7k 阅读 · 7 ·
CC 4.0 BY-SA版权
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。
文章标签：

#目标检测 #目标跟踪 #人工智能

于 2024-09-01 14:09:34 首次发布

目标检测问题，一般的常用评价指标有：

精度评价指标：map（mean Average Precision，平均准确度均值），平均正确率（AP），准确率 （Accuracy），精确率（Precision），召回率（Recall）。

速度评价指标：FPS（即每秒处理的图片数量或者处理每张图片所需的时间，在同一硬件条件下进行比较）

精度评价指标：

mAP: mean Average Precision, 即各类别AP的平均值，（针对整个数据集所有类别）

AP: Average Precision，PR曲线下面积，（针对数据集中单个类别）

PR曲线：Precision-Recall曲线（在不同Recall下，检测精度的平均值，可以综合反映检测器的准确率）

Precision: 准确率，计算方式TP / (TP + FP)，所有预测框中正确预测目标的框的占比，反映的检测准确性。

Recall: 召回率，计算方式TP / (TP + FN)，所有Ground Truth中，被正确预测到的占比，反映的是检测器的召回能力。

TP: IoU>=阈值的检测框数量（同一Ground Truth只计算一次）

FP: IoU<阈值的检测框数量，或者是检测到同一个GT的多余检测框的数量

FN: 没有检测到的GT的数量

注：因为IOU阈值设置会影响TP、FP和FN值，所以以上指标都是针对某个IOU阈值下来说的。比如IOU阈值为0.8时mAP是多少，为了更加全面的评估检测器的性能，有时候在不同IOU阈值下统计AP，比如COCO数据集，设定多个IOU阈值（0.5-0.95,0.05为步长），在每一个IOU阈值下都有某一类别的AP值，然后求不同IOU阈值下的AP平均，就是所求的最终的某类别的AP值。

AP计算举例

假设测试集是下面三张图片，其中绿框为Ground Truth，红色框为目标检测结果。现在要计算猫这个类别的AP。IOU阈值设置为0.5。

1）统计检测框检测情况。按照置信度降序排序预测框。检测框和真实框计算IOU，判断检测框是否检测到目标。

2）根据目标检测框统计结果绘制PR曲线。统计每种置信度下的Precision和Recall，得到如下左表。比如当置信度为0.98时，此时只有一个检测框，TP=1, FP=0，FN=6,  Precision=1，Recall=1/7=0.14。根据左表画出右图PR曲线。

3）计算PR曲线下面的面积，得到猫的平均准确率AP=0.6694

参考：

知乎目标检测评价指标： https://zhuanlan.zhihu.com/p/362851038

bilibili视频：目标检测mAP计算以及coco评价标准

YOLO算法：关于目标检测的评价指标（小白入门必读）
突然好想你
10-24 2483
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！
YOLOv11目标检测模型性能评价指标详解，涉及混淆矩阵、F1-Score、IoU、mAP、参数量、计算量等，一文打尽所有评价指标
Limiiiing的博客
10-22 5855
本文主要讲解的是计算机视觉网络模型的性能评价指标，这是每一篇论文中都需要展示的内容。熟悉每一个评价指标也能够帮助我们在训练和改进模型过程中，更好的观察模型的变化效果。
目标检测评价指标
10-29
目标检测 评价指标 目标检测 评价指标目标检测 评价指标 目标检测 评价指标
mAP、AP50、AR50：目标检测中的核心评价指标解析
最新发布
xiezhipu的博客
05-17 1134
平均精度（AP）用于衡量模型在单类别目标上的检测能力，其核心是**精确率（Precision）和精确率：预测为正样本中实际为正的比例（查准率），公式为 ( P = \frac{TP}{TP + FP} )。召回率：实际正样本中被正确预测的比例（查全率），公式为 ( R = \frac{TP}{TP + FN} )。AP通过绘制P-R曲线并计算其下方的面积得到，反映了模型在不同召回率下的平均精度。mAP是多个类别AP的平均值，用于衡量模型在整体数据集上的综合性能。
目标检测评估指标
慕溪同学的博客
03-06 3448
大家在看目标检测论文的时候，经常会遇到mAP@0.5或者mAP@[0.5:0.95]和精度等等评估指标，自己最开始在发论文的时候对这些品估指标也总是会产生惯性思维，导致很多概念会混淆，所以也是查阅很多文献和博客去理解，但是很多博主讲的其实也不够通俗，比较偏概念化，最后将自己的理解和查阅到的内容整理了一下并列举相关例子便于大家理解。mAP@0.5，这种形式表示在IOU阈值为0.5的情况下，mAP的值为多少。指的是被分配为负样本，而且分配对了的样本，代表的是被正确分类的负样本，在mAP评价指标中不会使用到。
目标检测的评价指标
m0_58664541的博客
09-28 4374
目标检测的评价指标
YOLOv8目标检测模型性能评价指标详解，涉及混淆矩阵、F1-Score、IoU、mAP、参数量、计算量等，一文打尽所有评价指标
Limiiiing的博客
12-09 2462
本文主要讲解的是YOLOv8计算机视觉网络模型的性能评价指标，这是每一篇论文中都需要展示的内容。熟悉每一个评价指标也能够帮助我们在训练和改进模型过程中，更好的观察模型的变化效果。
YOLOv12目标检测模型性能评价指标详解，涉及混淆矩阵、F1-Score、IoU、mAP、参数量、计算量等，一文打尽所有评价指标
Limiiiing的博客
03-04 1530
本文主要讲解的是计算机视觉网络模型的性能评价指标，这是每一篇论文中都需要展示的内容。熟悉每一个评价指标也能够帮助我们在训练和改进模型过程中，更好的观察模型的变化效果。
RT-DETR目标检测模型性能评价指标详解，涉及混淆矩阵、F1-Score、IoU、mAP、参数量、计算量等，一文打尽所有评价指标
Limiiiing的博客
11-12 2215
本文主要讲解的是计算机视觉网络模型的性能评价指标，这是每一篇论文中都需要展示的内容。熟悉每一个评价指标也能够帮助我们在训练和改进模型过程中，更好的观察模型的变化效果。
目标检测的评估指标
qq_44807946的博客
03-17 2604
横坐标：假正率(False positive rate， FPR)，FPR = FP / [ FP + TN] ，代表所有负 样本中错误预测为正样本的概率，假警报率；（2）计算其余bounding box与当前最大score与box的IoU，去除IoU大于设定的阈值的bounding box，保留小的IoU得预测框；也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。，在可视化结果中颜色越深，说明模型在该类的预测准确率越高。
目标检测评价指标合集
qq_40725653的博客
11-10 4767
目标检测评价指标 混淆矩阵（confusion matrix）可谓是贯穿了整个目标检测评价体系，衍生了一系列的目标检测评价指标，如精确率(precision)，准确率(accuracy)，召回率(recall)，F1-score，Ap(平均正确率)，MAp(mean average precisioon)，IOU(intersect over union)等一系列常见评价指标。下面将会针对这些评价指标展开一一介绍。 混淆矩阵（Confusion matrix） TP：真实为正样本，预测也为正样本。又称(真
【目标检测】目标检测的评价指标（七个）
热门推荐
wzk4869的博客
11-16 3万+
【目标检测】目标检测的评价指标（七个）
【深度学习项目】目标检测中的常见指标（Precision、Recall、F1 Score、IoU、AP、mAP、COCO指标）
专注上位机开发、机器视觉、机器学习、嵌入式软硬件开发
12-16 8669
平均平均精度（Mean Average Precision, mAP）是目标检测任务中最常用和最全面的性能评估指标之一。它综合考虑了不同类别的检测效果，以及每个类别在不同置信度阈值下的表现。下面将详细解释 mAP 的计算过程及其重要性。
详解目标检测的评价指标
Vermont_的博客
11-16 1万+
在人工智能领域，机器学习的效果需要用各种指标来评价。当一个目标检测模型建立好了之后，即模型训练已经完成，我们就可以利用这个模型进行分类识别。那么该如何去评价这个模型的性能呢？ 今天我们从交并比，准确率，精度，召回率，FPR, F1-Score, PR曲线，ROC曲线，AP的值，AUC的值以及很重要的mAP指标，模型的检测速度和非极大值抑制的相关方面来学习下目标检测中的评价指标。 1. 交并比 — IoU 交并比IoU是英文intersection over union的简写，意思是检测结果的矩形..
【计算机视觉 | 目标检测】目标检测中的评价指标 mAP 理解及计算（含示例）
wzk4869的博客
05-20 1万+
【计算机视觉 | 目标检测】目标检测中的评价指标 mAP 理解及计算（含示例）
目标检测常用评估指标
weixin_45837200的博客
11-14 1363
正样本即，比如缺陷检测中的麻点、划痕、破洞等；负样本即，背景不包含麻点、划痕、破洞等。
map和ap
03-21
### Map 和 Ap 的概念与用法 #### Map 函数 `map` 是一种高阶函数，在许多编程语言中都存在。它的主要功能是对一个集合（通常是列表或其他可迭代对象）中的每一个元素应用指定的函数，并返回一个新的集合，其中包含了原集合各元素经过该函数变换后的结果。 例如，在 Haskell 中可以这样使用 `map`： ```haskell let func = \x -> x + 1 let lst = [1..5] map func lst -- 结果为 [2,3,4,5,6] [^1] ``` 上述代码展示了如何利用匿名函数 `\x -> x + 1` 对 `[1,2,3,4,5]` 进行映射操作，最终得到新列表 `[2,3,4,5,6]`。 #### Ap 方法 `ap` 是另一种常见的函数式编程技术，通常出现在支持函子（Functor）、适用函子（Applicative Functor）以及单子（Monad）的语言中。其基本用途是从一个包含函数的应用程序结构中提取函数，并将其应用于另一个应用程序结构内的值。 假设我们有一个适用函子 `f` 包含函数 `(a -> b)` 和另一个适用函子 `g` 包含值 `a`，那么可以通过调用 `ap f g` 来获得一个适用函子，这个适用函子内部保存的是将前者所代表的函数作用于后者的结果。 在某些情况下，比如 Haskell 或 Scala 等语言里，你可以看到如下形式的操作： Haskell 示例： ```haskell import Control.Applicative ((<*>)) -- 假设我们有 Just (+3) 和 Just 9 Just (+3) <*> Just 9 -- 返回 Just 12 ``` 这里 `<*>` 实际上就是实现了 ap 功能的一个运算符版本；它从左侧取出加三的功能并施加给右侧数值九之上从而得出十二作为封装好的单一选项型态之下的成果。 两者对比来看的话，虽然都是关于转换或者处理容器内数据的方式，但是他们的侧重点有所不同——一个是单纯遍历执行特定逻辑(`map`) ，而另一方则更倾向于管理复杂嵌套情境下不同类型之间的交互关系 (`ap`) 。 #### 主要区别总结 | 特性 | Map | Ap | |---------------|---------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------| | 定义域 | 需要一个具体类型的集合 | 处理抽象层次上的适配器 | | 输入参数 | 单一函数和一组同质的数据 | 至少两个：第一个是一个包裹起来的函数 | | 输出结果 | 同样大小的新数组 | 新创建的对象 |
评论
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