目标检测重要评价指标——mAP的含义及计算

目标检测常见评价指标

1. 公开数据集

评价标准：pascal voc, coco,目前基本都在使用coco数据集。

2.评价指标

mAP: mean Average Precision, 即所有类别AP的平均值。下面将介绍相关参数含义。

理论知识：

TP（True Positive）:与目标框（ground truth) IoU>0.5的检测框数量 （同一个Ground Truth 只计算一次）

FP(False Positive):与目标框 IoU<=0.5的检测框（或者是检测到同一个GT的多余检测框的数量）

FN（False Negative）: 没有检测到的目标框的数量

Precision(查准率): TP/(TP + FP)即：所有预测正确的框，与所有预测出来的框（网络最终输出的全部预测框）的比例

Recall(召回率/查全率)：TP/(TP + FN) 即：所有预测正确的框，与所有真实框（ground truth）的比例

P-R曲线：Precision-Recall 曲线，一般来说Precision和Recall一个变大，另一个就会变小，我们以Recall为横坐标，Precision为纵坐标做图如下：

AP: P,和R单独出现时均不能完整的表征网络的预测效果， 我们希望的是P和R同时为较大的值，也就是希望PR曲线与坐标轴围成的面积更大。由此得到AP的概念，即PR曲线与坐标轴围成的面积.

一个类AP计算方法：

1. 将一张图片中预测到的框，按照confidence由大到小排序：
   

2. 依次选择前一个，前两个，前三个…(依次减小confidence阈值，没有达到阈值的框认为是没有检测到物体的,当作FN)去计算Precision和Recall。例如我们把confidence限定为0.89,通过表格我们可以发现仅有两个框可以认定为TP, 无FP, 一共检测到7个框，所以剩下的五个均为FN。即Precision=2/(2+0)=1.0;Recall=2/(2+5)=0.28

   

3. 画PR曲线，计算曲线下方面积：

   计算面积时需要先去掉Recall重复的部分（因为要以Recall为x轴）。得到下一步的表格后，AP也可通过公式计算如下，*（第n项Recall - 第n-1项Recall）从n项起往下的最大Precision（n=1时n-1项Recall取0）

由此得到各类的AP值，取平均即可以得到mAP。

3. COCO评价指标

COCO较为主要的评价指标为第一项，其含义为在IoU=0.5~0.95间隔0.05， 一共10个IoU阈值下各类AP的均值，再求10个mAP的均值。

其他各项评价指标需要根据数据集和实际应用场景判断，用哪个取主要评价模型的好坏。例如当模型主要检测小物体时，$A{P}^{samll}$就表示针对小面积的目标检测，含义为$area<32^2$的物体检测结果的mAP.

Average Recall

$A{R}^{max=10}$ : 每张图片最多10个预测边界框时，其相应的Recall值。

Across Recall

不同目标尺度AR的值。