YOLOv7 mAP@0.5 与 mAP@0.5:0.95 一次跑完评测后到底信哪个的完整指南

YOLOv7 mAP0.5 与 mAP0.5:0.95 一次跑完评测后到底信哪个的完整指南【免费下载链接】yolov7Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors项目地址: https://gitcode.com/GitHub_Trending/yo/yolov7刚用 test.py 评完 YOLOv7 模型最后那行all输出里摆着两列数字map50即 mAP0.5和map即 mAP0.5:0.95通常前者 0.7xx、后者 0.5xx。该信哪个这是刚上手目标检测评测时最常见的困惑咱们一次讲透。30 秒速记及格线 vs 全科目均分一句话记住区别mAP0.5 只问找没找到mAP0.5:0.95 问框画得多准。打个比方mAP0.5 像单科及格线——预测框和真实框重叠够 50%IoU框重叠程度就算对。mAP0.5:0.95 像全科目均分把标准逐步抬高到 0.55、0.60 … 0.95每一档打一次分再取平均。mAP 分数从哪来先看 10 个 IoU 阈值评测时先把所有预测框按置信度从高到低排队逐个对照真实框判断算不算找到。关键在于YOLOv7 没设单一标准而是一口气列了 10 个。在 test.py 里搜iouv就能看到iouv torch.linspace(0.5, 0.95, 10).to(device) # iou vector for mAP0.5:0.95也就是从 0.5 到 0.95、步长 0.05 的 10 个 IoU 阈值。每个阈值都把预测框完整过一遍、统计真阳性和误检得到 10 套结果每个类别从这 10 套结果里算出 10 个 AP精确率-召回率曲线下的面积衡量找得稳不稳。然后对所有类别取平均只取第一列0.5 那档就是 mAP0.5十列全取平均就是 mAP0.5:0.95。两个数字来自同一次评测差别只在怎么聚合这十列。map50 那列到底在算什么test.py 打印的表头把列名写得很直白mAP.5和mAP.5:.95。map50只取重叠 50% 就算对那档的 AP标准最松所以数值天然偏高。map则是 0.5 到 0.95 十列的平均。阈值越高对定位精度的要求越苛刻所以这列必然低于 map50两列差 10~20 个点属于正常现象。想抠细节的话打开 utils/metrics.py 搜ap_per_class里面for j in range(tp.shape[1])那个循环就是在逐个 IoU 阈值算 APcompute_ap则是单条曲线上算 AP 的函数。 三种场景各该看哪个指标短答取决于你要干嘛你的目的看哪个为什么快速验证、盯训练map50灵敏度高动没动一眼看出写论文、对比模型mapCOCO 及主流论文都用 mAP0.5:0.95 做标准上生产选模型两个都看 时延map 看质量map50 看找不找得到再叠加耗时跟别人对比时先对刻度YOLOv7 论文里报的那个 AP就是 COCO 上的 mAP0.5:0.95。上图取自 paper/yolov7.pdf 的 COCO 性能对比纵轴 AP 正是这个 mAP0.5:0.95。生产选模型时别只盯这两列train.py 训练时算 fitness 用的是同一套口径给 map 配 0.9 的权重、map50 只有 0.1方向感是现成的。test.py 输出的最后一行怎么读整场评测的结论就是这一行print(pf % (all, seen, nt.sum(), mp, mr, map50, map))各列含义seen是评测图片数nt.sum()是真实框总数mp/mr是平均精确率和召回率map50即 mAP0.5map即 mAP0.5:0.95。这两个变量由上方ap50.mean()和ap.mean()得到——前者取 AP 的第一列后者取全部十列平均。⚡ 想涨分该往哪使劲想让 mAP0.5 上去先解决找不找得到。确认锚框和你数据集的尺度分布对得上——cfg/training/yolov7.yaml 里能看到每个检测头的锚框写法同时检查置信度阈值是否设得过高。想让 mAP0.5:0.95 上去得靠框得准。发力点在框回归损失CIoU/GIoU 系、多尺度训练和 TTA测试时增强同一张图翻来覆去多看几眼test.py 的--augment参数打开就能见到收益。最后一条建议对比两个模型时先确认两边用了同一份数据、同样的图像尺寸和 NMS 参数再谈数字。不然看哪列都是白看。【免费下载链接】yolov7Implementation of paper - YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors项目地址: https://gitcode.com/GitHub_Trending/yo/yolov7创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考