目标检测mAP的概念及公式详解

目录

• 学习前言
• 什么是TP、TN、FP、FN
• 什么是Precision和Recall
• 什么是mAP
• 1、步骤1：
• 2、步骤2：
• 3、步骤3

学习前言

在Github上我们可以看到许多模型，他们都有mAP值的评价指标，如下图所示：

这到底是个啥呢？我查了好久的资料…

什么是TP、TN、FP、FN

TP的英文全称为True Positives，其指的是被分配为正样本，而且分配对了的样本，代表的是被正确分类的正样本。

TN的英文全称为，其指的是被分配为负样本，而且分配对了的样本，代表的是被正确分类的负样本。

FP的英文全称为False Positives，其指的是被分配为正样本，但分配错了的样本，代表的是被错误分类的负样本。

FP的英文全称为False Negatives，其指的是被分配为负样本，但分配错了的样本，代表的是被错误分类的正样本。

什么是Precision和Recall

Precision指的是精度

Recall指的是召回率

两个分别代表什么意思呢？

Precision的具体含义是：分类器认为是正类并且确实是正类的部分占分类器认为是正类的比例

Recall的具体含义是：分类器认为是正类并且确实是正类的部分占所有确实是正类的比例。

什么是mAP

说到mAP，也要说到，AP是什么。

说到AP，就要联系到上一部分所说的Precision和Recall。

对于目标检测而言任务，每一个类都可以计算出其Precision和Recall，通过合理的计算，每个类都可以得到一条P-R曲线，曲线下的面积就是AP的值。

假设存在M张图片，对于其中一张图片而言，其具有N个检测目标，其具有K个检测类，使用检测器得到了S个Bounding Box(BB)，每个BB里包含BB所在的位置以及对于K个类的得分C。

利用BB所在的位置可以得到与其对应的GroundTruth的IOU值。

1、步骤1：

对于每一个类I而言，我们执行以下步骤：

对所有的BB，计算BB所在的位置与其最对应的GroundTruth的IOU值，，记为MaxIOU，此时再设置一个门限threshold，一般设置为0.5。

当MaxIOU

当MaxIOU>threshold，认为该预测框与该真实框最对应；

此时再分两类：

当该框的类别属于类型I时，此时可以记录其属于True Positive，使其TPi = 1，并记录其属于类I的分数C。

当该框的类别不属于类型I时，此时可以记录其属于False Positive，使其FPi = 1，并记录其属于类I的分数C。

2、步骤2：

由步骤1我们可以得到K * S个分数C 和 TP 和 FP的元祖，在python中，我们可以将其构成形如(C,TP, FP)的元组，对这K * S个元祖按照得分C进行排序。

3、步骤3

将得分从大到小排序后进行截取，截取得分最大的S个，通过该步骤可以获得每个框是否成功对应了自己所属的类，计算每次截取所获得的recall和precision。

（此处Recall所用的TP+FN = N（一张图片所具有的N的目标，所有确实是正类的数量））
这样得到S个recall和precision点，便画出PR曲线了。

通过PR曲线便可以得到AP值。

而mAP就是对所有的AP值进行求平均即可。

以上就是目标检测mAP的概念及公式详解的详细内容，更多关于目标检测mAP公式的资料请关注脚本之家其它相关文章！