Object-Detection-Metrics

一键计算目标检测的 mAP，公平对比模型性能

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署评测安全 🍴 复刻 1023 👀 关注 64

GitHub ↗

GitHub 星标 ★ 5101

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，完全免费，无付费版本。

项目预览

Object-Detection-Metrics 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类评测安全

开发团队rafaelpadilla

GitHubhttps://github.com/rafaelpadilla/Object-Detection-Metrics

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型average-precision,bounding-boxes,mean-average-precision,metrics,object-detection,pascal-voc,precision-recall

GitHub 星标★ 5101

上线时间2018-05-23 00:00:00

代码更新2026-10-25

仓库体积10.6 MB

本站数据更新2026-11-10

维护状态较活跃

收录时间2026-08-10

浏览次数10

项目介绍

Object-Detection-Metrics 是一个用于评估目标检测算法性能的 Python 工具库，主要实现了 PASCAL VOC 竞赛中定义的平均精度（AP）和平均精度均值（mAP）等核心指标。它解决了目标检测领域缺乏统一、标准化评估工具的问题，让研究者能够公平、可复现地比较不同检测模型的性能。该库提供了从解析检测结果和真实标注（bounding box）到计算精确率-召回率曲线、AP 值、mAP 值以及绘制可视化图表的完整流程。其核心能力包括：支持多种 IoU 阈值设定、兼容 PASCAL VOC 格式的标注文件、输出详细的逐类性能报告，并提供了清晰的示例代码，方便用户快速集成到自己的评估流程中。项目结构简洁，依赖少，适合学术研究和工程实践中的模型对比与调优。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-10 · 当前星标 ★ 5101

技术标签

metrics object-detection

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 10 分钟部署方式：命令行工具 6 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

已安装 Python 环境（README 以 python pascalvoc.py 方式运行，未指定版本）
真实标注文件需符合 PASCAL VOC 格式
检测结果文件与标注文件按 README 要求准备
无需 GPU，普通机器即可运行

安装与启动步骤

1获取项目代码

从 GitHub 克隆仓库并进入项目目录，README 未提供 pip 安装说明，克隆后即可使用。
```
git clone https://github.com/rafaelpadilla/Object-Detection-Metrics.git
cd Object-Detection-Metrics
```
2创建标注文件

按 README 的 Create the ground truth files 步骤，准备每个类别的真实框（ground truth）文件，格式兼容 PASCAL VOC。
3创建检测文件

按 README 的 Create your detection files 步骤，准备算法输出的检测结果文件，供评估脚本读取。
4运行评估脚本

在项目根目录执行脚本，计算 PASCAL VOC 指标；若想复现 README 示例，加上 -t 0.3 参数。
```
python pascalvoc.py
```
5自定义 IoU 阈值

使用 -t 参数设置 IoU 阈值，README 给出的示例命令为 -t 0.3。
```
python pascalvoc.py -t 0.3
```
6参考示例代码

samples/sample_1 与 sample_2 演示了如何直接调用核心函数，比命令行更灵活，可据此集成到自己的代码中。

关键配置

配置项	必填	说明	示例
`-t`	否	IoU 阈值参数，README 提到可用参数控制 IOU threshold	`python pascalvoc.py -t 0.3`
`bounding boxes format`	否	README 提到可用参数控制边界框格式