Halcon深度学习之图像（对象）检测任务

视频：https://www.bilibili.com/video/BV1XvDNBhErT/?spm_id_from=333.1387.upload.video_card.click&vd_source=792575f67b159e17c6dac9cc778c67db

一 新建项目

二 导入图像

三 创建标签

四 检查

五 拆分

六 训练模型

七 评测

在图像检测任务中，平均AP（通常写作 mAP, Mean Average Precision）是衡量检测模型综合性能的最核心指标。

简单理解：它代表了模型在所有检测类别上的平均表现。

具体来说，可以从以下几个层次理解：

1. AP (Average Precision)：针对某一个类别（比如“猫”），模型找出所有猫并正确标注的能力。它综合了“精确率”（找得准不准）和“召回率”（找得全不全），通常通过计算PR曲线下的面积得到。

2. mAP (Mean AP)：把所有类别的AP值加起来，再除以类别总数。这就是“平均AP”。

一个例子
假如模型需要检测猫、狗、鸟三类：

• 猫的 AP = 0.85
• 狗的 AP = 0.70
• 鸟的 AP = 0.55
• mAP = (0.85 + 0.70 + 0.55) / 3 = 0.70

所以，mAP = 0.70 意味着模型在所有三个类别上的平均表现是70%。

常见变体与注意事项

• mAP@0.5：IoU阈值设为0.5时的mAP。IoU是预测框和真实框的重叠率，0.5是比较宽松的标准，常用在较老的数据集如PASCAL VOC。
• mAP@0.5:0.95：计算IoU从0.5到0.95（步长0.05）多个阈值下的mAP，然后取平均值。这是更严格、更主流的标准，尤其在COCO数据集上。阈值越高，对框的位置精度要求越高。
• mAP vs. 准确率：在类别不平衡的数据集中，整体准确率高可能只是因为模型总预测为多数类。而mAP不受类别不平衡影响，因为它分别计算每个类别再平均，能更公正地评价模型在每个类别上的真实性能。

评测结果的解读

• mAP 越高，模型综合性能越好。
• 0.9以上：非常优秀，接近完美。
• 0.7-0.9：很好，实用级模型。
• 0.5-0.7：一般，有提升空间。
• 低于0.5：较差。

注意：比较不同模型时，必须在相同的数据集和mAP计算标准（如mAP@0.5或mAP@0.5:0.95）下进行，否则数值没有可比性。

总结：mAP就是模型对所有检测类别性能的平均分，是你判断模型好坏最关键的指标。

八 评估

九导出

十 部署使用模型