COCO目标检测比赛中的模型评价指标介绍！

最新推荐文章于 2025-04-11 21:47:14 发布

dulingwen

最新推荐文章于 2025-04-11 21:47:14 发布

阅读量5.5k

点赞数 4

分类专栏：深度学习计算机视觉

本文链接：https://blog.csdn.net/dulingwen/article/details/89188308

版权

计算机视觉同时被 2 个专栏收录

24 篇文章

订阅专栏

深度学习

16 篇文章

订阅专栏

COCO数据集是目前最流行的目标检测比赛用的数据集，且时下几乎所有在各大深度学习框架下实现的目标检测网络的预训练模型都有基于COCO数据集训练出来的。接下来简要介绍一下COCO比赛排行榜中所用的指标，截图如下：

指标介绍

AveragePrecision(AP)：AveragePrecision(AP):

   $AP$ % AP at IoU=0.50:0.05:0.95 (主要挑战指标)
   $AP^{50}$ % AP at IoU=0.50 (PASCAL VOC 指标)
   $AP^{75}$ % AP at IoU=0.75 (严格指标)

APAcrossScales：APAcrossScales:

$AP^{S}$ % AP（对于小目标）: area < $32^{2}$
$AP^{L}$ % AP （对于中等目标）: $32^{2}$ < area < $96^{2}$
$AP^{M}$ % AP （对于大目标）: area > $96^{2}$

AverageRecall(AR)：AverageRecall(AR):

   $AR^{1}$ % AR given 1 detection per image
   $AR^{10}$   % AR given 10 detections per image
   $AR^{100}$   % AR given 100 detections per image

ARAcrossScales：ARAcrossScales:

   $AR^{S}$ % AR （对于小目标）: area < $32^{2}$
   $AR^{M}$   % AR （对于中等目标）: $32^{2}$ < area < $96^{2}$
   $AR^{L}$ % AR （对于大目标）: area > $96^{2}$

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

dulingwen

关注关注

4
点赞
踩
14

收藏

觉得还不错? 一键收藏
10
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

目标检测YOLO实战应用案例100讲-基于YOLO模型的遥感影像飞机目标检测技术研究

qq_36130719的博客

05-22

2525

遥感是一种无需接触的远程空间探测技术，该技术是通过记录、测量、解析星载或机载传感器等非接触式传感器获取的影像信息和数字图像信息并真实可靠地构造出相关自然物体和周围环境等信息的一门科学和工程技术[1]。随着中国航空航天事业和遥感技术的快速发展，中国已经成功地发射了数十颗高分辨率对地观测卫星，可以方便快捷地获取到全球范围内各种不同类型的高分辨率遥感影像。遥感影像空间分辨率的大幅提升，使得如今遥感影像数据具有庞大吞吐量、丰富细节、复杂背景等特征[2]；然而，工。

mask rcnn 模型在COCO数据集上预训练权重mask_rcnn_coco.h5

04-04

mask rcnn 模型在COCO数据集上预训练权重mask_rcnn_coco.h5

10 条评论您还未登录，请先登录后发表或查看评论

YOLOV5 COCO评估指标small、medium、large 自定义概念

南栀北辰SDN的博客

04-25

2637

在 cocoeval.py文件中， def setDetParams(self)和 def setKpParams(self)中areaRng 对应部分，这里我定义小目标小于64*64。在val.py文件中找到from pycocotools.cocoeval import COCOeval。按照Ctrl+鼠标点击COCOeval 跳转到 cocoeval.py文件。说明没有小于32的，但是我又想结果有small，所以进行了修改定义。medium: 中目标 (32-96 )

COCO数据集目标检测实战

最新发布

m0_70438443的博客

04-11

2165

COCO数据集目标检测涵盖数据集特性、技术流程、实战策略和工具链。

12分钟训练COCO模型！速度精度双提高

我爱计算机视觉

07-21

1897

【摘要】中科院自动化所图像与视频分析组提出一种基于周期性矩衰减优化的大规模目标检测快速训练方法。该方法在保持精度的前提下，充分利用大规模集群的计算优势，成功将目标检测任务的batch s...

最全的基于COCO的Mask RCNN 模型（避坑指南）

08-13

4358

这两天有点思路准备修改基于Mask RCNN网络模型的思路，思路整理了一下，准备先跑一下Mask RCNN模型，最起码先把base模型跑通再跑实验嘛，结果这个Mask RCNN模型的demo环境搞了两天(⊙﹏⊙)b，为了这年这两天光荣的日子，还是写一篇博客纪念一下。 1、实验环境跑通一个模型肯定需要补充对模型的了解，找一个对模型复现比较好的base模型可以对模型细节更加理解通透（只看论文虽然模型觉得已经掌握，但是细节还是看代码），并且对自己的实验或者训练自己的数据集更方便的bas...

目标检测中的评价指标mAP以及coco评价标准

09-22

1525

pycocotools安装 Linux: pip install pycocotools; Windows: pip install pycocotools-windows 训练过程中输出值 Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.534 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] =

目标检测模型的评价指标 mAP

黑暗星球

09-02

8060

在使用机器学习解决实际问题时，通常有很多模型可用。每个模型都有自己的怪癖（quirks），并且基于各种因素，性能会有所不同。模型性能的评定都是在某个数据集上进行的，通常这个数据集被称为 “validation 或 test” 数据集。模型性能的评价常用的指标有：accuracy、precision、recall等。这些指标的选择需要根据应用场景具体而定。对于特定应用，使用合适的评价指标来客观地...

MS COCO数据集目标检测评估（Detection Evaluation）

GDHBFTGGG的博客

08-24

1511

MS COCO (Microsoft Common Objects in Context) 是一个广泛应用于计算机视觉领域的数据集和评估平台，尤其是在目标检测、分割和人体关键点检测等任务中。COCO数据集和其评估方法被广泛用于学术研究和工业应用。

yolov--10--目标检测模型的参数评估指标详解、概念解析

天明宇朗的博客

06-01

1万+

Yolov-1-TX2上用YOLOv3训练自己数据集的流程(VOC2007-TX2-GPU) Yolov--2--一文全面了解深度学习性能优化加速引擎---TensorRT Yolov--3--TensorRT中yolov3性能优化加速（基于caffe） yolov-5-目标检测：YOLOv2算法原理详解 yolov--8--Tensorflow实现YOLO v3 yolov--9--Y...

目标检测COCO数据集与评价体系mAP

scott198512的博客

01-04

3219

COCO数据集说明与mAP评价体系

「解析」COCO 数据读取与模型结果解析

绿色羽毛

08-16

1801

最近在学习实例分割，使用的 COCO数据集训练，但是在Github上看到的代码，问题太多了，跑出来的结果简直惨不忍睹，其中模型存在一些问题，但是这次也让我意识到了辅助代码的重要性，特别是COCO数据集的读取与测试时的解析，真的是一点都不容出错，否则，你会怀疑人生的！......

【darknet-yolo系列】下载coco数据集并训练自己的模型

sazass的博客

07-28

7935

前言：coco数据集是个很庞大的，开源的数据集。有时候项目中需要训练一个模型，其中会包含coco数据集的某几类，此时会希望可以将庞大的coco数据集中提取出来自己需要的某几类别数据作为基础，再配合上自己采集一部分现场的数据集，训练成一个专门的模型，这样会比较高效，且质量有保障； 1.下载coco数据集网上有很多；本人百度网盘coco2017的数据集链接：https://pan.baidu.com/s/1GVN0CcaWIckkIx53ePnR-g 提取码：m41t 后面都以coco2017为例 2.数

COCO数据集格式总结（COCO提供与模型输出需提供的JSON格式）

小鹏AI

07-03

4170

标注信息是使用 JSON 存储的，为此，在使用COCO数据集前，需要了解原始数据集的JSON格式。COCO提供的JSON格式（包含检测和分割）结果文件需提供的JSON格式（目标检测任务）结果文件需提供的JSON格式（目标分割任务）结果文件需提供的JSON格式。结果文件需提供的JSON格式。结果文件需提供的JSON格式。结果文件需提供的JSON格式。COCO提供的JSON格式。COCO提供的JSON格式。COCO提供的JSON格式。COCO提供的JSON格式。

coco数据集解析（instances）

qq_39066502的博客

05-24

3370

instances_train2017.json和instances_val2017.json文件均分为五大部分，这五部分对应的关键字分别为。

yolov8官方代码训练模型（coco数据集和voc数据集训练）+onnx模型预测

热门推荐

m0_63493883的博客

12-04

1万+

根据官方的解释，pip 的 ultralytics 库包含了 requirements.txt中的所有库。windows11 和 Ubuntu20.04（建议使用 Linux 系统）首先切换到自己建立的虚拟环境安装 pytorch。参照官网，直接使用以下语句即可导入项目所需要的库。train 和 val 的路径就这样写。2.3 yaml文件。

目标检测模型性能衡量指标、MS COCO数据集的评价标准以及不同指标的选择推荐

Le0v1n 的博客

05-08

6786

1. 目标检测模型性能衡量指标；2. MS COCO数据集的评价标准；3. 不同指标的选择推荐

COCO 数据集目标检测等相关评测指标

长风破浪会有时，直挂云帆济沧海

01-30

1万+

原文：COCO 数据集目标检测等相关评测指标 - AIUAI COCO Detection Evaluation 1. 评测指标定义 COCO 提供了 12 种用于衡量目标检测器性能的评价指标. [1] - 除非特别说明，APAPAP 和 ARARAR 一般是在多个 IoU(Intersection over Union) 值间取平均值. 具体地，采用了 10 个 IoU阈值 - 0.5...

理解目标检测中的老大难：小目标检测

Try_再努力一点

07-31

9986

文章一： Stitcher: Feedback-driven Data Provider for Object Detection，该文发明了一种简单方法改进业界老大难：小目标检测问题。该文作者来自中科院自动化所、旷视科技、香港中文大学，孙剑老师和贾佳亚老师都为论文的共同作者。大多数目标检测算法在小目标检测上都有显著的性能下降，作者通过统计分析发现，这与训练阶段小目标对损失函数的贡献小有关系，Feedback-driven Data Provider 顾名思义，作者提出了一种基于...

visdrone2019数据集介绍

02-11

### 关于 VisDrone2019 数据集 #### 数据集概述 VisDrone2019 是一个大规模无人机视角下的目标检测、跟踪以及多目标追踪的数据集[^1]。该数据集旨在推动计算机视觉领域内空中视角下物体识别的研究进展。 #### 官方文档与下载链接官方提供了详细的文档来指导研究人员如何使用此数据集。可以通过访问 [VisDrone官方网站](http://aiskyeye.com/) 获取最新版本的数据集及其对应文档。网站上不仅有不同年份的比赛资料，还包括了各类教程和支持信息。 #### 使用说明为了方便用户快速开始研究工作，在安装好必要的依赖库之后，可以按照以下方式加载并处理图像： ```python from pycocotools.coco import COCO import os.path as osp # 初始化COCO API用于读取json格式的标签文件 anno_file = 'path/to/annotations' coco = COCO(anno_file) # 显示类别名称 cats = coco.loadCats(coco.getCatIds()) cat_names = [cat['name'] for cat in cats] print(f'Categories: {", ".join(cat_names)}') ``` 针对特定应用场景如上述提到的子图拼图评估任务，则需调整验证集中图片和标注文件的位置参数，并设定切片大小及重叠比例等超参: ```yaml EvalDataset: !SlicedCOCODataSet image_dir: VisDrone2019-DET-val anno_path: val.json dataset_dir: dataset/visdrone sliced_size: [640, 640] overlap_ratio: [0.25, 0.25] ``` #### 比赛评测指标在VisDrone挑战赛中，通常采用多种评价标准衡量模型性能，主要包括但不限于以下几个方面： - **AP (Average Precision)**：平均精度，用来计算每个类别的预测效果； - **AR (Average Recall)** ：召回率曲线下的面积，反映的是系统检出能力； - **mAP (mean Average Precision)** : 所有类别上的 AP 平均值；这些度量可以帮助参赛者更好地理解自己算法的优势与不足之处，从而针对性地改进模型结构或训练策略。