当前位置： 首页 > news >正文

目标检测中COCO评估指标中每个指标的具体含义说明：AP、AR

news 2025/7/1 14:59:18

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于深度学习的行人跌倒检测系统】
9.【基于深度学习的PCB板缺陷检测系统】10.【基于深度学习的生活垃圾分类目标检测系统】
11.【基于深度学习的安全帽目标检测系统】12.【基于深度学习的120种犬类检测与识别系统】
13.【基于深度学习的路面坑洞检测系统】14.【基于深度学习的火焰烟雾检测系统】
15.【基于深度学习的钢材表面缺陷检测系统】16.【基于深度学习的舰船目标分类检测系统】
17.【基于深度学习的西红柿成熟度检测系统】18.【基于深度学习的血细胞检测与计数系统】
19.【基于深度学习的吸烟/抽烟行为检测系统】20.【基于深度学习的水稻害虫检测与识别系统】
21.【基于深度学习的高精度车辆行人检测与计数系统】22.【基于深度学习的路面标志线检测与识别系统】
23.【基于深度学习的智能小麦害虫检测识别系统】24.【基于深度学习的智能玉米害虫检测识别系统】
25.【基于深度学习的200种鸟类智能检测与识别系统】26.【基于深度学习的45种交通标志智能检测与识别系统】
27.【基于深度学习的人脸面部表情识别系统】28.【基于深度学习的苹果叶片病害智能诊断系统】
29.【基于深度学习的智能肺炎诊断系统】30.【基于深度学习的葡萄簇目标检测系统】
31.【基于深度学习的100种中草药智能识别系统】32.【基于深度学习的102种花卉智能识别系统】
33.【基于深度学习的100种蝴蝶智能识别系统】34.【基于深度学习的水稻叶片病害智能诊断系统】
35.【基于与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于深度学习的智能草莓病害检测与分割系统】
37.【基于深度学习的复杂场景下船舶目标检测系统】38.【基于深度学习的农作物幼苗与杂草检测系统】
39.【基于深度学习的智能道路裂缝检测与分析系统】40.【基于深度学习的葡萄病害智能诊断与防治系统】
41.【基于深度学习的遥感地理空间物体检测系统】42.【基于深度学习的无人机视角地面物体检测系统】
43.【基于深度学习的木薯病害智能诊断与防治系统】44.【基于深度学习的野外火焰烟雾检测系统】
45.【基于深度学习的脑肿瘤智能检测系统】46.【基于深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】
49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】
51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】
53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】
55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】
57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【太基于深度学习的阳能电池板检测与分析系统】
59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】
61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】
63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】
65.【基于深度学习的道路交通事故检测识别系统】66.【基于深度学习的安检X光危险品检测与识别系统】
67.【基于深度学习的农作物类别检测与识别系统】68.【基于深度学习的危险驾驶行为检测识别系统】
69.【基于深度学习的维修工具检测识别系统】70.【基于深度学习的维修工具检测识别系统】
71.【基于深度学习的建筑墙面损伤检测系统】72.【基于深度学习的煤矿传送带异物检测系统】
73.【基于深度学习的老鼠智能检测系统】74.【基于深度学习的水面垃圾智能检测识别系统】
75.【基于深度学习的遥感视角船只智能检测系统】76.【基于深度学习的胃肠道息肉智能检测分割与诊断系统】
77.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】78.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】
79.【基于深度学习的果园苹果检测与计数系统】80.【基于深度学习的半导体芯片缺陷检测系统】
81.【基于深度学习的糖尿病视网膜病变检测与诊断系统】82.【基于深度学习的运动鞋品牌检测与识别系统】
83.【基于深度学习的苹果叶片病害检测识别系统】84.【基于深度学习的医学X光骨折检测与语音提示系统】
85.【基于深度学习的遥感视角农田检测与分割系统】86.【基于深度学习的运动品牌LOGO检测与识别系统】
87.【基于深度学习的电瓶车进电梯检测与语音提示系统】88.【基于深度学习的遥感视角地面房屋建筑检测分割与分析系统】
89.【基于深度学习的医学CT图像肺结节智能检测与语音提示系统】90.【基于深度学习的舌苔舌象检测识别与诊断系统】
91.【基于深度学习的蛀牙智能检测与语音提示系统】92.【基于深度学习的皮肤癌智能检测与语音提示系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

目录

  • 引言
  • COCO评估指标详细说明
      • 平均精度（Average Precision, AP）
      • 平均召回率（Average Recall, AR）
  • 参数解释

引言

在目标检测模型中，经常会使用COCO评估指标作为评估模型性能优劣的标准，如下图。那么每一行的评估指标的具体含义是什么？本文将详细介绍
在这里插入图片描述

COCO评估指标详细说明

以下是 COCO 数据集评估中每个指标的具体含义：

平均精度（Average Precision, AP）

  1. AP (IoU=0.50:0.95 | area=all | maxDets=100)

    • 表示在 IoU 阈值从 0.5 到 0.95（步长为 0.05）范围内，所有类别和所有物体大小的平均精度。
    • 值：0.513

  2. AP (IoU=0.50 | area=all | maxDets=100)

    • 表示在 IoU 阈值为 0.5 时，所有类别和所有物体大小的平均精度。
    • 值：0.654

  3. AP (IoU=0.75 | area=all | maxDets=100)

    • 表示在 IoU 阈值为 0.75 时，所有类别和所有物体大小的平均精度。
    • 值：0.637

  4. AP (IoU=0.50:0.95 | area=small | maxDets=100)

    • 表示在 IoU 阈值从 0.5 到 0.95 范围内，小物体（面积小于 32² 像素）的平均精度。
    • 值：0.787

  5. AP (IoU=0.50:0.95 | area=medium | maxDets=100)

    • 表示在 IoU 阈值从 0.5 到 0.95 范围内，中等物体（面积在 32² 和 96² 像素之间）的平均精度。
    • 值：0.516

  6. AP (IoU=0.50:0.95 | area=large | maxDets=100)

    • 表示在 IoU 阈值从 0.5 到 0.95 范围内，大物体（面积大于 96² 像素）的平均精度。
    • 值：0.630

平均召回率（Average Recall, AR）

  1. AR (IoU=0.50:0.95 | area=all | maxDets=1)

    • 表示在 IoU 阈值从 0.5 到 0.95 范围内，每张图像最多检测 1 个目标时的所有类别和所有物体大小的平均召回率。
    • 值：0.117

  2. AR (IoU=0.50:0.95 | area=all | maxDets=10)

    • 表示在 IoU 阈值从 0.5 到 0.95 范围内，每张图像最多检测 10 个目标时的所有类别和所有物体大小的平均召回率。
    • 值：0.649

  3. AR (IoU=0.50:0.95 | area=all | maxDets=100)

    • 表示在 IoU 阈值从 0.5 到 0.95 范围内，每张图像最多检测 100 个目标时的所有类别和所有物体大小的平均召回率。
    • 值：0.810

  4. AR (IoU=0.50:0.95 | area=small | maxDets=100)

    • 表示在 IoU 阈值从 0.5 到 0.95 范围内，每张图像最多检测 100 个目标时的小物体的平均召回率。
    • 值：0.810

  5. AR (IoU=0.50:0.95 | area=medium | maxDets=100)

    • 表示在 IoU 阈值从 0.5 到 0.95 范围内，每张图像最多检测 100 个目标时的中等物体的平均召回率。
    • 值：0.807

  6. AR (IoU=0.50:0.95 | area=large | maxDets=100)

    • 表示在 IoU 阈值从 0.5 到 0.95 范围内，每张图像最多检测 100 个目标时的大物体的平均召回率。
    • 值：0.877

参数解释

  • IoU：交并比（Intersection over Union），用于衡量预测框与真实框的重叠程度。
  • area：物体大小分类：
    • all：所有物体大小。
    • small：小物体（面积 < 32² 像素）。
    • medium：中等物体（面积在 32² 和 96² 像素之间）。
    • large：大物体（面积 > 96² 像素）。
  • maxDets：每张图像最多检测的目标数量。

这些指标综合反映了模型在不同 IoU 阈值、物体大小和检测数量限制下的性能表现。

在这里插入图片描述

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

http://www.dtcms.com/a/100031.html

相关文章：

  • 基于YOLOv8的PCB缺陷检测--补充实验
  • [C++面试] 智能指针面试点（重点）续3
  • 【视觉提示学习】3.28阅读随想
  • 11. STL的使用
  • springBoot统一响应类型3.4版本
  • LlamaIndex实现(基于PDF|CSV文件)RAG检索增强生成:NaiveRAG
  • 量子计算：未来计算技术的革命性突破
  • 【奶茶经济学的符号暴力本质】
  • 【软件开发】可复用的数据库导入工具类
  • J2EE框架技术 第五章 Spring注入与作用域
  • 【C++】STL库_stack_queue 的模拟实现
  • 【leetcode】通过两种遍历方式构造二叉树
  • 前端页面缓存问题
  • opencv之指纹验证
  • spring-security原理与应用系列：securityFilterChainBuilders
  • 职测-言语理解与表达
  • SD-WAN组网方案
  • pycharm相对路径引用方法
  • C++ 多态：面向对象编程的核心概念（一）
  • Android Product Flavors 深度解析与最佳实践：构建多版本应用的全方位指南
  • Redis的补充和RESP
  • 【工具】BioPred一个用于精准医疗中生物标志物分析的 R 软件包
  • C# StreamReader/StreamWriter 使用详解
  • 什么是 RBAC 权限模型？
  • jmeter web压力测试 压测
  • Android学习总结之算法篇三（打家劫舍）
  • 蓝桥杯—最小公倍数
  • Linux系统之dump命令的基本使用
  • Linux系统禁用swap
  • Xenium | 细胞邻域(Cellular Neighborhood)分析(fixed radius)