计算机视觉 / 系统课时

平均精度指标

平均精度指标

平均精度把“有没有检出目标”和“框得是否准确”合并为可比较的数值。本课从置信度阈值扫描开始,说明 PR 曲线、AP、mAP50 与 mAP50-95 的关系,并用一个可运行示例复核多类别、多 IoU 阈值的聚合过程。

学习目标

  • 说明置信度、IoU、Precision、Recall 与 AP 的计算链路
  • 区分 AP、mAP50 和 mAP50-95 的严格程度与用途
  • 根据 mAP50 与 mAP50-95 的差距判断定位质量

从预测结果到 PR 曲线

评估时先固定类别和 IoU 阈值,再按置信度从高到低排列预测框。预测框与尚未匹配的真实框类别一致且 IoU 达标时记为 TP;重复框、错分类框或定位不足的框记为 FP;未被匹配的真实框记为 FN。

随着置信度阈值逐步降低,被保留的预测框会增加。每个阈值都能得到一组 $Precision=TP/(TP+FP)$ 与 $Recall=TP/(TP+FN)$,连续扫描后形成 PR 曲线。通常召回率提高时会引入更多误检,因此精确率可能下降。

从检测结果到 AP 与 mAP 的计算流程

AP 与 mAP 怎样聚合

AP 是某个类别在某个 IoU 阈值下 PR 曲线的面积。计算时通常先构造单调不增的精确率包络,再对召回率区间积分或插值采样,因此 AP 不是某一个置信度点上的 Precision,也不是 Precision 与 Recall 的简单平均。

指标 聚合范围 主要含义
AP 单类别、单 IoU 阈值 查看某一类别的检测质量
mAP50 所有类别,IoU=0.50 框与真实目标有较宽松重叠时的综合能力
mAP50-95 所有类别,IoU 从 0.50 到 0.95,步长 0.05 同时考察分类、检出和精确定位能力

可将两项 mAP 简记为 $mAP_{50}=mean_c(AP_c^{0.50})$ 与 $mAP_{50:95}=mean_{c,t}(AP_c^t)$。后者包含更严格的 IoU 阈值,因此通常低于 mAP50。

用代码复核聚合过程

下面假设已经得到两个类别在十个 IoU 阈值下的 AP。示例只演示指标聚合,不替代预测框匹配和 PR 曲线计算。

python
from statistics import mean

iou_thresholds = [0.50 + 0.05 * index for index in range(10)]
ap_by_class = {
    "person": [0.92, 0.90, 0.88, 0.85, 0.81, 0.76, 0.70, 0.62, 0.51, 0.38],
    "car": [0.89, 0.87, 0.84, 0.80, 0.75, 0.69, 0.61, 0.52, 0.40, 0.27],
}

# mAP50 只取每个类别在 IoU=0.50 时的 AP。
map50 = mean(values[0] for values in ap_by_class.values())

# mAP50-95 同时平均类别和十个 IoU 阈值。
map50_95 = mean(
    ap
    for values in ap_by_class.values()
    for ap in values
)

print(f"IoU thresholds: {len(iou_thresholds)}")
print(f"mAP50: {map50:.3f}")
print(f"mAP50-95: {map50_95:.4f}")
for class_name, values in ap_by_class.items():
    print(f"{class_name} AP50-95: {mean(values):.3f}")

预期输出

text
IoU thresholds: 10
mAP50: 0.905
mAP50-95: 0.6985
person AP50-95: 0.733
car AP50-95: 0.664

正确解读指标差距

mAP50 高而 mAP50-95 明显偏低,通常表示模型能找到目标,但边界框不够贴合。应优先检查标注框一致性、小目标分辨率、输入尺寸和回归损失,而不是只调整置信度阈值。

两项指标都低时,要先分解到每个类别的 AP,并结合 Precision、Recall 和混淆情况定位问题。类别样本不足、漏标、类别定义重叠或验证集分布偏移,都可能让总体均值掩盖局部失败。

比较模型时必须使用同一验证集、相同类别集合、相同 IoU 规则和相同评估代码。只比较 mAP50 容易高估定位能力,面向精确框选的任务应把 mAP50-95 作为主指标。

本课总结

  • AP 是单类别、单 IoU 阈值下 PR 曲线的面积
  • mAP50 偏重是否检出,mAP50-95 对边界框定位更严格
  • 总体均值异常时,应继续查看类别 AP 和两项 mAP 的差距

下一课预告

下一课将把指标放回训练过程,通过训练损失、验证损失和 mAP 曲线判断模型是否收敛、欠拟合或过拟合。

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

平均精度指标

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