当前位置：首页 > news >正文

uniad模型输出参数详细解释

news 2026/5/12 0:56:37

nuScenes 数据集评测结果中所有变量（指标）的具体含义，这些指标覆盖了目标跟踪、目标检测、运动预测和场景理解等多个核心维度。

这类指标用于评估多目标跟踪（MOT）的效果，是自动驾驶感知评测的核心：

指标	全称	含义（通俗解释）
MOTA	Multiple Object Tracking Accuracy	多目标跟踪准确率，衡量跟踪的整体性能（核心指标），值越高越好（范围 0~1）。计算公式：`MOTA = 1 - (FN + FP + IDS) / GT`，反映漏检、误检、ID 切换的综合影响。
MOTP	Multiple Object Tracking Precision	多目标跟踪精度，衡量跟踪框与真实框的匹配精度（值越高，框的位置/大小越准）。
AMOTA	Average MOTA	不同阈值下 MOTA 的平均值，更全面反映跟踪性能（解决单一阈值的局限性）。
AMOTP	Average MOTP	不同阈值下 MOTP 的平均值，反映整体匹配精度。
MOTAR	MOT Accuracy Recall	跟踪召回率，侧重衡量“能跟踪到的目标比例”，值越高，漏跟踪的目标越少。
Recall	召回率	检测/跟踪到的真实目标比例（Recall = TP/(TP+FN)），反映“找全率”。

这类指标细化了跟踪过程中的具体问题：

指标	全称	含义
GT	Ground Truth	真实标注的目标数量（基准值）。
MT	Mostly Tracked	被持续跟踪超过 80% 生命周期的目标数（值越高，长时跟踪效果越好）。
ML	Mostly Lost	被跟踪时间不足 20% 生命周期的目标数（值越高，跟踪丢失越严重）。
FAF	False Alarm per Frame	每帧的误检数（值越低，误检越少）。
TP	True Positive	正确检测/跟踪到的目标数（真阳性）。
FP	False Positive	误检的目标数（假阳性，把背景/其他物体当成目标）。
FN	False Negative	漏检的目标数（假阴性，没检测到真实存在的目标）。
IDS	ID Switch	目标 ID 切换次数（跟踪时同一个目标被分配不同 ID，值越高，跟踪稳定性越差）。
FRAG	Fragmentation	跟踪轨迹断裂次数（同一个目标的轨迹被拆成多段，值越高，轨迹完整性越差）。
TID	Tracking ID Error	ID 切换的加权误差，量化 ID 切换的严重程度。
LGD	Localization Ground Distance	定位误差，衡量跟踪框与真实框的空间距离误差（值越低，定位越准）。
GT-Mtch	GT Matched	被匹配到的真实目标数。
GT-Miss	GT Missed	未被匹配到的真实目标数（漏检）。
Pred-TP	Prediction TP	预测结果中正确的正例数。
Pred-FP	Prediction FP	预测结果中错误的正例数。

这类指标评估目标检测的性能，是感知任务的基础：

指标	全称	含义
AP	Average Precision	平均精度，衡量某一类目标检测的“精度-召回率”曲线下面积（值越高，检测效果越好）。 nuScenes 中还分不同距离（0.5/1.0/2.0/4.0m）的 AP，反映不同距离下的检测能力。
mAP	mean AP	所有类别 AP 的平均值，综合反映全类别检测性能。
NDS	NuScenes Detection Score	nuScenes 自定义的综合得分（核心指标），融合了 AP、各类误差，值越高越好（范围 0~1）。

这类指标量化检测框/跟踪框与真实框的偏差，值越低越好：

指标	全称	含义
trans_err	Translation Error	平移误差，检测框中心与真实框中心的空间距离误差（单位：m）。
scale_err	Scale Error	尺度误差，检测框长宽高与真实框的比例误差（无单位，越接近 0 越准）。
orient_err	Orientation Error	朝向误差，检测框的朝向与真实框的角度误差（单位：弧度/度）。
vel_err	Velocity Error	速度误差，检测的目标速度与真实速度的偏差（单位：m/s）。
attr_err	Attribute Error	属性误差，目标属性（如车辆类型、行人状态）的分类误差（值越低，属性识别越准）。

这类指标评估“预测目标未来运动轨迹”的能力，值越低越好：

指标	全称	含义
ADE	Average Displacement Error	平均位移误差，预测轨迹与真实轨迹在所有时间步的平均距离误差。
FDE	Final Displacement Error	最终位移误差，预测轨迹最后一个时间步与真实轨迹的距离误差（核心）。
min_ade_err	最小 ADE 误差	多个预测轨迹中最优的 ADE（反映最优预测效果）。
min_fde_err	最小 FDE 误差	多个预测轨迹中最优的 FDE。
miss_rate_err	漏预测率	未预测到目标的比例（值越低，预测覆盖度越高）。
ATE	Average Translation Error	平均平移误差（综合所有类别的 trans_err）。
ASE	Average Scale Error	平均尺度误差（综合所有类别的 scale_err）。
AOE	Average Orientation Error	平均朝向误差（综合所有类别的 orient_err）。
AVE	Average Velocity Error	平均速度误差（综合所有类别的 vel_err）。
AAE	Average Attribute Error	平均属性误差（综合所有类别的 attr_err）。
mATE/mASE/mAOE/mAVE/mAAE	各类误差的均值	所有类别对应误差的平均值，反映整体预测精度。

这类指标评估对道路场景结构的感知效果（IOU 越高越好）：

核心评估维度：结果覆盖目标跟踪（MOTA/AMOTA）、目标检测（AP/mAP/NDS）、运动预测（ADE/FDE）、场景理解（各类IOU）四大类，是自动驾驶感知系统的全面评测。
关键核心指标：NDS（综合检测/预测性能）、MOTA（跟踪整体效果）、mAP（检测整体效果）是最需关注的核心值，值越高代表性能越好；各类误差指标（trans_err/ADE等）则越低越好。
类别差异：car 和 pedestrian 的检测/跟踪效果相对较好（有非零 AP/较低误差），而 trailer、construction_vehicle 等类别效果较差（AP 为 0），说明模型对这些类别感知能力不足。