COCO

COCO是一个广泛使用的数据集, 专门为对象检测, 分割和图像标注而设计. 该数据集为计算机视觉研究提供了标准化的评估目标, 如平均精度(AP), 主要分为Box AP和Mask AP.

• 框平均精度(Box AP): 这是评估对象检测模型性能的关键指标, 表示模型正确检测到的边界框和实际标注框之间的重叠程度, 通常使用交叉比(IoU)来计算, IoU值越高, 表示模型检测越准确
• 掩码平均精度(Mask AP): 此指标用于实例分割任务, 评估模型在预测对象掩码时的准确性, 它不仅考虑边界框, 还考虑掩码和真实标注之间的重叠程度. 高Mask AP表示模型不仅能正确定位对象, 还能精准分割出对象的轮廓. 掩码是一个与图像尺寸相同的二维数组, 每个元素对应图像中的一个像素点, 掩码用于准确地标识图像中某个特定对象的区域, 具体来说, 掩码通常是一个二值化的对象, 值为1标识该像素属于目标对象; 值为0, 标识该像素不属于目标对象