计算机视觉 / 系统课时

理解 IoU 与 mAP

理解 IoU 与 mAP

IoU 用来衡量预测框与真实框重叠得有多好,而 mAP 把不同置信度、类别和 IoU 阈值下的检测表现汇总成可比较的指标。本节把这条指标链路拆开,帮助你读懂 YOLO 评估结果,而不是只盯着一个总分。

学习目标

  • 能根据两个边界框的交集与并集解释 IoU 的含义。
  • 能说明 IoU 阈值如何影响 TP、FP、Precision 与 Recall。
  • 能区分 mAP@0.5 与 mAP@0.5:0.95,并据此判断模型的定位质量。

IoU 衡量的是框的重叠质量

设预测框为 BpB_p,真实框为 BgB_g,交并比定义为:

IoU=∣Bp∩Bg∣∣Bp∪Bg∣IoU = \frac{|B_p \cap B_g|}{|B_p \cup B_g|}

IoU 的取值范围是 0 到 1。两个框完全不重叠时为 0;完全重合时为 1。它只描述几何重叠程度,不直接考虑类别是否预测正确,也不等同于置信度。

IoU 中交集、并集与重叠程度示意

例如,一个预测框 IoU 为 0.72,只能说明它与某个真实框的空间重叠较好。若类别预测错了,它仍然不能算正确检测;若同一真实目标被多个框重复匹配,多余的框也可能成为误检。

阈值把 IoU 变成判定规则

评估时需要先规定一个 IoU 阈值,再判断预测是否足够接近真实框。以 IoU 阈值 0.5 为例,类别正确且 IoU 不低于 0.5 的匹配通常记为 TP;没有匹配到真实目标的预测记为 FP;未被任何有效预测匹配的真实目标记为 FN。

阈值越高,定位要求越严格。某个框在 IoU 0.5 下是 TP,在 IoU 0.75 下却可能变成 FP,同时对应真实目标成为 FN。因此,同一个模型在严格阈值下的 Precision 与 Recall 往往会下降。

AP 来自 Precision-Recall 曲线

模型会为每个预测框给出置信度。改变置信度阈值,就会得到一系列 Precision 与 Recall 组合:阈值高时通常预测更谨慎,Precision 较高但 Recall 较低;阈值降低后能找回更多目标,同时也可能引入更多误检。

AP 可以理解为某一类别、某一 IoU 阈值下 Precision-Recall 曲线的面积。它不是“某个固定置信度下的准确率”,而是综合了从严格到宽松的一系列置信度选择,因此比单点 Precision 或 Recall 更适合比较整体检测能力。

mAP 汇总类别与多个 IoU 阈值

mAP 是多个类别 AP 的平均。若共有 CC 个类别,可简化理解为:

mAP=1C∑c=1CAPcmAP = \frac{1}{C}\sum_{c=1}^{C} AP_c

mAP@0.5 只在 IoU=0.5 的条件下计算各类别 AP 再求平均,对框的位置要求相对宽松。mAP@0.5:0.95 则会在 0.50、0.55、0.60 一直到 0.95 的多个 IoU 阈值上分别计算,再进行平均,因此更能反映定位是否精确。

如果模型的 mAP@0.5 很高,但 mAP@0.5:0.95 明显偏低,常见含义是“目标大体找到了,但框得不够准”。这时应重点检查标注边界质量、输入分辨率、小目标比例和回归训练效果,而不是只继续提高分类能力。

读指标时先回答具体问题

不同指标回答的问题不同:IoU 看单个框与真实框重叠得怎样;Precision 看预测出来的目标有多少是对的;Recall 看真实目标有多少被找到了;AP 汇总一个类别在不同置信度下的表现;mAP 再把类别和可能的多个 IoU 阈值汇总起来。

实际比较模型时,至少同时看 mAP@0.5 与 mAP@0.5:0.95。前者适合判断“能不能基本检测到”,后者更适合判断“框得是否稳定而精确”。只有把两者与 Precision、Recall、各类别 AP 一起看,才能知道总分变化究竟来自分类、漏检还是定位。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

理解 IoU 与 mAP

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通