Object-Detection-Metrics

一键计算目标检测的 mAP，公平对比模型性能

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。

开源 free 评测安全

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 5101

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类评测安全

开发团队rafaelpadilla

所属国家

官网地址

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

定价模式free

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

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

30天Star增速

HF 下载量

上线时间2018-05-23 00:00:00

最近更新2026-09-19 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-10

浏览次数7

使用教程

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

如何确认成功

执行 python pascalvoc.py 后终端输出逐类性能报告与 AP/mAP 指标，并生成精确率-召回率等可视化图表。

常见问题

Q：需要先 pip install 依赖吗？

A：README 节选中未给出 pip 安装命令，也未列出依赖清单，可直接按 README 运行 python pascalvoc.py；如报缺少模块再自行排查。

Q：如何修改评估所用的 IoU 阈值？

A：通过 -t 参数传入，例如 python pascalvoc.py -t 0.3，README 的示例即使用该命令复现示例结果。

Q：不想用命令行，能直接调用函数吗？

A：可以。README 指出 samples/sample_1 与 sample_2 演示了如何直接访问核心函数，灵活性更高。

Q：标注文件用什么格式？

A：需使用兼容 PASCAL VOC 格式的标注文件，README 要求先完成 Create the ground truth files 这一步。

注意事项

README 未提供依赖安装与环境版本说明，运行前请自行确认 Python 可用。
标注与检测文件的具体字段格式请以仓库 README 正文与 samples 目录中的示例为准。
用于学术研究时请按 README 的 Citation 部分引用对应论文。
README 提到可用参数控制边界框格式，具体参数名以仓库 README 的 Optional arguments 章节为准。

核心亮点

严格遵循 PASCAL VOC 标准，计算 mAP 结果权威可信
代码清晰模块化，易于二次开发和集成到现有训练流程
提供可视化精确率-召回率曲线，直观分析模型短板

不足之处

仅支持 PASCAL VOC 格式，不直接支持 COCO 等其他主流数据集格式
文档和社区维护活跃度一般，新特性更新较慢

适用场景

学术论文中报告目标检测模型的 mAP 指标
对比不同检测算法在自定义数据集上的性能
教学演示目标检测评估指标的计算原理

替代项目

COCO API、torchmetrics、pycocotools

项目介绍

Object-Detection-Metrics 是评测安全领域的开源项目，由 rafaelpadilla 开发，2018 年首次发布。

在全站 13,109 个收录项目中，它的 GitHub 星标数（5,101）位列前 9%，在评测安全分类的 467 个项目里位列前 6%。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-19。MIT许可证，完全免费，无付费版本。

它主要面向的使用场景是：学术论文中报告目标检测模型的mAP指标。同类可对比的替代方案包括 COCO API、torchmetrics、pycocotools。

上一篇：pytorch-grad-cam

下一篇：Static-to-Dynamic-LLMEval